00:00:00 Discutiendo la importancia del forecast y el escepticismo.
00:00:40 Presentando a los invitados Jonathon Karelse y Joannes Vermorel.
00:01:37 La inspiración detrás de la escritura de “Histories of the Future” y la importancia de cuestionar los métodos de forecast.
00:05:49 Definiendo el forecast y sus raíces a comienzos del siglo XX.
00:08:53 Debatiendo la sensatez de extender series de mediciones para predecir el futuro.
00:09:40 Perspectiva clásica del forecast del siglo XXI y su vinculación con las series de tiempo.
00:10:33 Recalibración de la medición del éxito en el forecast y centrarse en generar dinero en los negocios.
00:13:25 Principios newtonianos y enfoque determinista en el forecast y su influencia en el pensamiento económico.
00:16:55 Avances europeos en matemáticas y estadísticas, y su impacto en los métodos de forecast en Norteamérica.
00:18:25 Adaptarse a las inexactitudes inherentes del forecast y aceptar la idea de que nunca será perfectamente exacto.
00:19:29 El problema del forecast determinista y la adopción de enfoques probabilísticos.
00:20:36 Primeros teóricos sobre la IA y sus predicciones sobre sus capacidades.
00:21:55 La influencia de la economía conductual en el forecast y el enfoque clásico.
00:23:00 La irracionalidad de los humanos y el surgimiento de la economía conductual.
00:26:34 Heurísticas, sus beneficios evolutivos y su desventaja al interpretar datos.
00:28:55 Examinando el comportamiento humano al tomar decisiones basadas en datos.
00:29:37 Cómo enmarcar los datos con una historia afecta la toma de decisiones.
00:31:13 El impacto de los sesgos organizacionales en el forecast.
00:33:00 El problema del exceso de optimismo en el forecast de promociones.
00:36:23 Aplicar la razón sobre la irracionalidad y el potencial de la ingeniosidad humana.
00:38:53 La importancia de no depender excesivamente de modelos complejos para estrategias operativas.
00:39:48 Los peligros de los forecast desnudos y la necesidad de conexiones tangibles con el negocio.
00:42:34 Cómo los procesos burocráticos y las supply chain son vulnerables a problemas en el forecast.
00:45:31 La economía conductual y el sesgo humano en el proceso de forecast.
00:47:53 Maximizando el valor del juicio humano en el forecast mediante la comprensión de los sesgos.
00:48:39 La importancia de reconocer los sesgos y su papel en el forecast.
00:50:40 Limitaciones de la perspectiva de las series de tiempo en el forecast.
00:52:00 Problemas humanos en el forecast que van más allá de los sesgos.
00:54:53 El futuro del desarrollo de la IA y su papel en ayudar o reemplazar a los human forecasters.
00:57:01 La importancia de la ingeniosidad humana y de hacer las preguntas correctas.
00:58:47 Discutiendo recetas numéricas y el papel humano en la automatización.
01:01:58 La automatización futura en la gestión de supply chain.
01:04:11 Posibles temas para un libro de segunda edición.
01:05:22 Aprovechando la economía conductual en reuniones de nivel C.
01:08:46 Limitaciones del forecast en la aviación y el comercio minorista.
01:09:30 Enfocándose en las decisiones y en la extraña naturaleza del modelado predictivo.
01:10:27 Comparando lo extraño de las predicciones futuras con la mecánica cuántica.
01:11:12 El consejo de Jonathon para el practitioner de supply chain.
01:11:56 Conclusión y agradecimientos a los invitados.

Resumen

En una entrevista, Joannes Vermorel, fundador de Lokad, y Jonathon Karelse, CEO de NorthFind Management, discuten la importancia de comprender y cuestionar el propósito del forecast en los negocios. Abogan por un enfoque escéptico, enfatizando que accuracy no debe ser la única medida del éxito. El forecast debe ser visto como una métrica diagnóstica para identificar y corregir errores y lograr una mejora continua. Ambos expertos coinciden en que los sesgos pueden influir en el forecast, y que los negocios deberían enfocarse en técnicas que tengan impactos tangibles. También discuten el papel de la IA en la supply chain optimization, señalando que, aunque la IA puede asistir, la ingeniosidad humana sigue siendo esencial.

Resumen Ampliado

En esta entrevista, el presentador Conor Doherty discute el forecast con Joannes Vermorel, fundador de Lokad, y Jonathon Karelse, CEO de NorthFind Management. Karelse explica que su enfoque del forecast se centra en comprender su impacto en los negocios. Muchas organizaciones realizan el forecast porque se " supone" que debe hacerse, pero a menudo no se pregunta por qué lo hacen, o si existen maneras de mejorar el proceso. Él enfatiza la importancia de tener un escepticismo saludable y de cuestionar continuamente las prácticas para mejorar el forecast.

Karelse comparte la inspiración para su libro, “Histories of the Future,” que surgió de su deseo de examinar el contexto histórico del forecast y la validez de ciertos principios del forecast. Se refiere al trabajo de Bruno LaTour, quien cuestionó la certeza de los principios científicos y abogó por comprender el contexto histórico en el que nacieron. Este enfoque inspiró a Karelse a aplicar una perspectiva similar al campo del forecast.

Cuando se le pide definir el forecast, Karelse dice que es esencialmente hacer una suposición sobre cómo será el futuro. Aunque la suposición puede volverse más científica y guiada, es importante no perder de vista que el forecast se basa, en última instancia, en la uncertainty. Vermorel añade que la perspectiva clásica del forecast, que se remonta a principios del siglo XX, se centra en las time series y en extender las mediciones a lo largo del tiempo. Sin embargo, él cree que nuevas formas de mirar el futuro seguirán surgiendo en el siglo XXI.

Karelse enfatiza que la precisión del forecast no debe ser la única medida del éxito. En cambio, la precisión del forecast debe verse como una métrica diagnóstica que puede ayudar a identificar las causas raíz de los errores y sub-óptimos, que luego pueden utilizarse para recalibrar y optimizar en pos de una mejora continua. El objetivo del forecast es generar dinero, y comprender las necesidades y expectativas específicas de un negocio es clave para utilizar los forecast de manera efectiva.

Vermorel está de acuerdo en que el forecast no siempre se ha abordado con escepticismo. Los primeros defensores, como Roger Babson, creían en el poder absoluto de la ciencia para predecir y modelar el futuro. Sin embargo, tanto Karelse como Vermorel abogan por un enfoque más escéptico que cuestione la sabiduría convencional y busque mejorar los forecasting methods de manera que beneficie a los negocios.

La discusión comienza con una breve historia del forecast, específicamente los aspectos culturales y geográficos que jugaron un papel en su desarrollo. La conversación luego se dirige al enfoque clásico del forecast, que se basaba en una filosofía determinista que dependía de principios matemáticos y científicos para llegar a conclusiones precisas. Se discuten las limitaciones de este enfoque, incluyendo el hecho de que los humanos no siempre actúan de manera racional y que los sesgos inconscientes pueden influir en la decision-making. Se introduce el concepto de heurísticas, y se discuten los beneficios y desventajas de depender de ellas. También se explora la idea de la sobreconfianza, que es precursora de una discusión sobre la economía conductual. La conversación entonces se desplaza hacia la importancia del forecast probabilístico y cómo puede ayudar a las organizaciones a comprender mejor las limitaciones de sus predicciones. La discusión concluye con una breve mención de la artificial intelligence y su potencial para ayudar con el forecast, pero también con la necesidad de aceptar que existen limitaciones definitivas en nuestra capacidad para comprenderlo todo.

La cuestión del sesgo positivo en el forecast, particularmente en organizaciones con sesgos culturales y basados en el negocio hacia el crecimiento y resultados positivos. Incluso sin sesgos evidentes, la investigación muestra que las personas tienen cuatro veces más probabilidades de hacer ajustes positivos a un forecast que ajustes negativos. Este sesgo se atribuye a nuestras tendencias evolutivas hacia la aversión al riesgo y a materializar posibilidades de beneficio.

Joannes Vermorel compartió su experiencia con clientes en el comercio minorista donde el sesgo hacia un aumento positivo para las promotions era prevalente, lo que conducía a forecasts sin sentido. Su solución fue abordar el forecast como una técnica entre muchas otras, en lugar de como el enfoque principal. Esto implica usar únicamente técnicas numéricas que permitan un impacto tangible en el negocio, como producir algo, mover algo del lugar A al lugar B, o utilizar datos que estén directamente conectados a algo tangible. Vermorel insistió en la necesidad de tratar el forecast como una de entre muchas técnicas y de no tener naked forecasts que no estén conectados a algo tangible.

Jonathon Karelse contribuyó a la discusión añadiendo que todos los modelos están equivocados, pero algunos modelos son útiles, y el objetivo final es buscar la parsimonia y la selección de modelos. También advirtió contra la microgestión de los forecast, ya que desperdicia tiempo cuando la precisión del forecast a un horizonte de siete u ocho meses ya es abismal. Sugirió que aplicar una capacidad infinita para la ingeniosidad en aplicaciones específicas donde la probabilidad de beneficio es mayor es el camino a seguir.

Concluyeron afirmando que el forecast es solo una técnica entre muchas y no la única manera de abordar el futuro. Coincidieron en que una mayor comprensión de la economía conductual dentro de una organización puede mejorar el forecast. Al reconocer los sesgos que pueden influir en el forecast, las organizaciones pueden evitar hacer forecasts sin sentido y centrarse en técnicas que permitan un impacto tangible en el negocio.

La discusión gira en torno al uso de la IA y del forecast en la optimización de supply chain. Se exploran las fuentes y grados de sesgo en el juicio humano y cómo afecta el proceso. Vermorel argumenta que el enfoque debería estar en diseñar recetas numéricas que operen a gran escala y generen decisiones razonables. Él afirma que tales recetas deberían estar completamente automatizadas en la ejecución diaria, mientras que los humanos deberían centrarse en decisiones a largo plazo que requieran mayor capacidad mental. Karelse coincide en que la IA puede asistir a las personas en el forecast, pero no reemplazarlas, y que la ingeniosidad humana sigue siendo esencial para formular preguntas interesantes e importantes que la IA pueda resolver. La discusión concluye con la esperanza de Karelse de que las organizaciones puedan equilibrar el potencial beneficio de las ideas humanas con la fragilidad que afecta a todos debido a la imperfección de cómo funciona nuestra mente.

El futuro de la optimización de supply chain. Vermorel expresó su convicción de que, con mejores herramientas y técnicas, grandes equipos de personas en la gestión de supply chain podrían volverse innecesarios, y describió su experiencia al ver cómo la gente persistía en hacer cosas que son claramente irracionales, a pesar de la evidencia que demuestra lo contrario. Karelse estuvo de acuerdo con Vermorel y agregó que utiliza la economía conductual para ayudar a los ejecutivos de nivel C a comprender por qué sus procesos son defectuosos y cómo medir el valor de su negocio. Vermorel cree que centrarse en el modelado predictivo en la gestión de supply chain se volverá cada vez más extraño, y Karelse recomendó que los practicantes de supply chain nunca se conformen con simplemente saber, sino que siempre pregunten por qué. La entrevista finalizó con Karelse recomendando el libro de Vermorel, y ambos invitados agradeciendo a Doherty por su tiempo.

Transcripción Completa

Conor Doherty: Bienvenidos al programa. Soy su presentador, Conor. Hoy me acompaña Joannes Vermorel, cofundador de Lokad, y tenemos un invitado especial, Jonathon Karelse, CEO y cofundador de NorthFind Management. Es un investigador publicado en el campo del sesgo inconsciente y ha escrito este encantador libro, “Histories of the Future.” Jonathan, muchas gracias por acompañarnos.

Jonathon Karelse: Gracias por invitarme.

Conor Doherty: Bien, Jonathan, espero que estés listo para un mar de halagos porque de hecho leí el libro. Realmente lo disfruté. Creo que, de hecho, podría ser tu audiencia objetivo porque sé leer, pero además tengo interés en estos temas, ya sabes, economía, negocios, economía conductual. Pero en realidad no tengo esa formación formal; mi formación, como discutimos antes, es en música y filosofía. Así que, en realidad, aprendí bastante al recorrer la historia del forecast. Tienes un tono muy agradable, muy accesible y legible, así que muchas gracias. Entonces, empezaremos desde el principio, supongo. ¿Cuál fue exactamente la inspiración para escribir un libro sobre los últimos 100 años del forecast?

Jonathon Karelse: Bueno, mi enfoque del forecast y la práctica siempre ha sido entender qué es lo que realmente impactará en un negocio, y eso puede parecer obvio. Pero en muchas organizaciones, se realiza el forecast porque se " supone" que debe hacerse, y no se dedica necesariamente mucho pensamiento a por qué estamos haciendo el forecast. Como resultado, se transmiten muchas sabidurías recibidas de generación en generación en el mundo de los negocios, y la gente simplemente sigue el proceso mecánico del forecast sin comprender realmente cuáles son los elementos del proceso que impactan positivamente al negocio. ¿Hay cosas que podríamos hacer para mejorarlo, y lo más importante, por qué?

The pregunta del “por qué” es algo que supongo que tal vez no me llamaría a mí mismo un contracorriente per se, pero creo que siempre es bueno tener un poco de cinismo o escepticismo saludable. A menudo me he preguntado por qué, y un libro que realmente me conmocionó cuando era estudiante de economía fue escrito por Bruno LaTour.

Este libro “Science in Action” examina algunas de las bases de caja negra de la ciencia, cosas como la estructura de doble hélice del ADN, y las lleva de vuelta a antes de que fueran hechos, antes de ser encerrados en una caja negra, ayudándonos a comprender el contexto histórico en el que nacieron. Al hacerlo, ilustra realmente que muchas de estas certezas científicas son mucho menos seguras de lo que creemos. Es conveniente

Conor Doherty: Entonces, cuando usas el término forecasting, ¿a qué te refieres exactamente?

Jonathon Karelse: Esa es una gran pregunta. En esencia, forecasting es hacer una suposición sobre cómo se vislumbra el futuro. Esa suposición puede volverse más científica y estar guiada por principios de incertidumbre, pero en última instancia, estamos adivinando. Es importante no perder de vista este hecho, ya que se basa en la incertidumbre.

Conor Doherty: Ese es un punto interesante. Y Johannes, ¿un principio fundamental de Lokad no es abrazar la incertidumbre?

Joannes Vermorel: Sí, pero para responder a la pregunta sobre forecasting, creo que existe una perspectiva clásica de forecasting que se remonta a principios del siglo XX, popularizada por personas como Roger Babson e Irving Fisher. Esta perspectiva aborda forecasting a través de series temporales. Tienes mediciones realizadas a lo largo del tiempo, como la cantidad de acero producido o el número de papas cosechadas. Terminas con una secuencia de mediciones que puedes representar como una serie temporal. Lo obvio es extender la curva y ver a dónde va a continuación. Esta es la esencia de la perspectiva clásica de forecasting que surgió a principios del siglo XX. Sin embargo, es solo una forma de verla.

La verdadera pregunta es si tiene sentido abordar el futuro simplemente extendiendo una serie de mediciones. No es necesariamente incorrecto, pero es una forma parcial de acercarse al futuro. Este enfoque fue muy característico del siglo XX, progresando y refinando métodos a lo largo de ese siglo. Sin embargo, es probable que surjan nuevas formas de mirar el futuro en el siglo XXI, algunas de las cuales pueden ser mucho más extrañas que el enfoque clásico.

Conor Doherty: Johannes, sobre ese punto del enfoque clásico de forecasting, quiero pasárselo a Jonathon. Algo que impregna todo tu trabajo es una recalibración de cómo las personas miden el éxito de un forecast. Tu tesis parece ser que no se trata de la exactitud del forecast per se. ¿Podrías ampliar sobre eso, por favor?

Jonathon Karelse: Espero que en el futuro profundicemos en la idea del enfoque clásico versus diferentes filosofías de forecasting. Pero, mientras tanto, una de las cosas que me desconcierta es cómo la gente habla a menudo de que sabe que el forecast siempre estará equivocado, como si fuera una carta de “salvación”. Dirán, “Me estás pidiendo que haga forecasting. Haré lo mejor que pueda, pero el forecast siempre está equivocado, así que no me culpes cuando lo esté.”

Conor Doherty: …pero aún así calibran estrategias operativas e incluso estrategias financieras con la esperanza de un forecast altamente preciso. Quiero dejar muy claro, ya que hablé de esto en un par de conferencias en Ámsterdam la semana pasada, y tuve a algunas personas muy enojadas, en particular software vendors en esas sesiones, diciendo, “¿De qué estás hablando? Forecasting no importa.” Y quiero ser claro: forecasting absolutamente importa en aplicaciones particulares, porque hay lugares en los que no importa desde el punto de vista del ROI.

Jonathon Karelse: Si eres un sastre hecho a la medida y puedes confeccionar tres trajes al año, y tus clientes están dispuestos a esperar 10 años, no necesitas dedicar muchísimo tiempo a hacer forecasting de la demanda. Estás a capacidad máxima. El ROI será mínimo. Para todos los demás, probablemente exista un ROI, pero el punto es que, para mí, la exactitud del forecast no es la métrica definitiva. La exactitud del forecast no es el objetivo. Es una métrica diagnóstica que podemos usar para identificar las causas raíz de los errores y de las sub-óptimos, que luego podemos utilizar para recalibrar y optimizar en busca de una mejora continua. El objetivo de forecasting es hacer dinero, porque el objetivo del negocio es hacer dinero, a menos que estés en un negocio que no lo haga. Y forecasting es una de las numerosas herramientas que tenemos a nuestra disposición para lograrlo. En algunos casos, utilizada correctamente, es la mejor herramienta que poseemos. En otros, es una herramienta de apoyo, y en otros casos, probablemente no genere mucho beneficio. Pero es comprender tu negocio para saber qué esperar de un forecast lo que me parece muy importante.

Joannes Vermorel: El forecast siempre está equivocado, y ahora la gente usa eso como una carta de “salvación”. Realmente me encanta esa expresión. Lo interesante es que no siempre fue la perspectiva predominante. Sabes, Roger Babson era un inmenso admirador del trabajo de Sir Isaac Newton, y aun entonces existía una increíble creencia en el poder absoluto de la ciencia, en la idea de que se podía capturar las cosas y tener algún tipo de modelado numérico, tal como se puede predecir hasta el último segundo de arco la posición de Marte dentro de tres siglos.

Jonathon Karelse: Ambos creían, como yo finalmente también lo hago, que las matemáticas sustentan todo y que, si tuviéramos la capacidad y suficientes datos, las matemáticas podrían explicarlo todo. Pero en la práctica, aún no hemos llegado allí. Diría que eso era algo que no se comprendía muy bien a principios del siglo XX. Hay órdenes de magnitud de dificultades que simplemente no están presentes, y no es como si la fórmula definitiva estuviera a la vuelta de la esquina.

Joannes Vermorel: Creo que uno de los descubrimientos clave del siglo XXI es darnos cuenta de cuánto, en lo que respecta a todo lo relacionado con el conocimiento, hay campos enteros del saber que simplemente se nos escapan. No se trata solo de encontrar algo equivalente a la ley de la gravedad, donde con una sola ecuación puedes explicar una cantidad enorme de cosas. Ese era el tipo de pensamiento que existía en ese entonces.

Conor Doherty: Para la audiencia, estamos hablando de estadísticos norteamericanos descritos en el libro que surgió en los EE. UU. debido a la aparición de una clase media…

Conor Doherty: Entonces, quienes poseen acciones, no opciones sobre acciones, disculpa, acciones, y querían tener una proyección acerca de lo que les daría los mejores retornos. Estaban muy interesados en todo ese tipo de forecasts, y fue algo que realmente emergió en los EE. UU. y en Norteamérica. El componente cultural o geocultural es clave.

Joannes Vermorel: Eso es muy importante porque en Norteamérica no se basaba particularmente en la estadística. Como señalaste, Babson amaba a Newton y todo lo newtoniano. Tomó lo que era una comprensión bastante superficial de los principios newtonianos y trató de aplicarlos al forecasting sin contar con el beneficio de una comprensión estadística. Esencialmente, si algo sube por un tiempo, bajará por un tiempo, porque así es como actúa la gravedad.

Jonathon Karelse: Irving Fisher, quien obtuvo el primer PhD en economía de Norteamérica, intentó aplicar su formación matemática a lo que hasta ese momento había sido una ciencia social. Empezó a combinar algo de estadística, la cual cabe decir que se impulsaba mayormente en Europa que en Norteamérica, con el campo de la economía en Norteamérica. Pero, en realidad, fue en Europa durante ese tiempo cuando se vieron todos los avances en las matemáticas que finalmente usaría el forecasting.

Joannes Vermorel: Existía un enfoque determinista en el que la gente creía que se podía modelar el futuro de forma mecánica. Ese modo de pensar perduró durante mucho tiempo. Incluso obras de ciencia ficción en los años 60, como la serie Foundation de Isaac Asimov, abrazaron la idea de la psicohistoria, una ciencia que puede predecir el futuro de manera muy mecánica.

Jonathon Karelse: Eso es muy interesante, porque esa es la perspectiva clásica. Pero debido a que la gente ha estado operando durante décadas con forecasts bastante inexactos, han llegado a darse cuenta de que el forecast siempre está equivocado. Sin embargo, no han asimilado la consecuencia de que nunca será completamente correcto.

Joannes Vermorel: Ese es un punto interesante. La gente ha aceptado moralmente que el forecast siempre está equivocado y no despide a nadie por ello, lo cual es bueno. Pero, ¿deberíamos replantearnos en profundidad para abrazar este aspecto del forecast? No realmente.

Jonathon Karelse: Lo que es muy interesante es que has mencionado el determinismo un par de veces, y creo que esto es clave. Mucha de la ciencia que emergía en el siglo XIX y principios del XX a nivel global, no solo en Norteamérica, nació básicamente del impulso que ganamos en el Renacimiento. Salimos de la Edad Oscura y empezamos a descubrir que, aplicando principios científicos, podíamos comenzar a iluminar esas áreas oscuras.

Conor Doherty: Áreas del conocimiento para realmente elevarnos, y creo que empezamos a volvernos algo arrogantes respecto al alcance de lo que podíamos hacer. Comenzamos a creer, en el siglo XIX y principios del XX, que con suficiente esfuerzo no había nada que no pudiéramos aprender. Y eso informa dos temas realmente importantes en forecasting. El primero es que un enfoque determinista tiene sentido con esa filosofía, porque significa que si trabajo lo suficientemente duro y soy lo suficientemente inteligente, llegaré a esa conclusión precisa en lugar de aceptar que es una tarea inútil. Siempre estaré equivocado, y los enfoques probabilísticos, que de paso…

Jonathon Karelse: …y cualquiera de esos. Bueno, Joannes Komagarov estaba realizando todo su trabajo en estadística casi al mismo tiempo en que surgían estos primeros enfoques deterministas. Así que no es como si tuviéramos que esperar otros cien años para la posibilidad de enfoques probabilísticos. Las matemáticas ya estaban allí. La segunda parte es creer que, con suficiente esfuerzo y concentración, podríamos averiguar cualquier cosa. Esto nos lleva a lo que hoy es un tema muy candente: la IA. Ahora bien, la idea de que la IA puede resolver actividades sin valor agregado o rutinarias para los humanos no es nueva. De hecho, hubo una conferencia en los años 50 en Dartmouth College donde varios de los primeros pensadores en IA plantearon 10 cosas que creían la IA podría lograr en los próximos 10 años. Y 70 años después, no hemos logrado ninguna de ellas. Eso no nos impide intentarlo, y creo que el intento es importante. Pero pienso que, en última instancia, la lección es que debemos aceptar que existen limitaciones definitivas en nuestra capacidad para entenderlo todo. Y una vez que entendamos eso, nos abriremos a otros enfoques, como el forecasting probabilístico, que luego nos prepara para la realidad de que sabemos que siempre estaremos equivocados. Pero, aceptando eso, entendamos cómo se traduce en resultados comerciales reales y calibremos nuestras estrategias con el conocimiento de que estaremos equivocados en lugar de la esperanza de que de alguna manera tendremos razón.

Conor Doherty: Parece que has dejado dos puntos muy interesantes: uno que es esencialmente un precursor de una discusión sobre economía del comportamiento —creo que te refieres al exceso de confianza— y otro sobre la IA. Pensé en el Capítulo 6, creo que cinco o seis, así que abordaremos esos por turno, si no te importa. Primero, en cuanto a la economía del comportamiento, sé que ese es, en gran medida, tu campo. ¿Podrías ampliar un poco sobre cómo la economía del comportamiento influye o interactúa con el forecasting?

Jonathon Karelse: Claro. Entonces, Joannes, al inicio de la conversación mencionaste varias veces el enfoque clásico de forecasting. Y diría que el enfoque clásico de forecasting es en sí mismo una especie de subproducto de la forma clásica o, más precisamente, neoclásica de hacer negocios en general. Y eso proviene, nuevamente, de una perspectiva muy del siglo XIX y XVIII en la que, si trabajamos duro y aplicamos principios matemáticos y científicos, podemos entender. Además, Adam Smith en 1776 escribió la obra seminal La Riqueza de las Naciones, y uno de sus puntos clave es que básicamente todo el comercio se puede entender por el principio básico de que los humanos son actores racionales que, cuando se les dan opciones claras basadas en el valor, se inclinan naturalmente hacia la que tiene la mayor utilidad. Y eso no necesariamente significa la mayor cantidad de dinero, sino la de la que obtienen el mayor beneficio de algún tipo. E, intuitivamente, eso parece correcto. El problema es, para cualquiera de los oyentes que hayan estudiado economía, ya sabrán, especialmente en econometría

Conor Doherty: Aunque ciertamente, en la práctica, se mantienen principios de la economía neoclásica, necesitamos entender de manera más amplia cómo estos sistemas de demanda y supply chain, establecimiento de precios y, en última instancia, la toma de decisiones, son influenciados por impulsores inconscientes, impulsores psicológicos inconscientes que en algunos casos son ambientales, en otros están programados evolutivamente, pero en todos los casos existen. No importa cuán libre de sesgo uno crea estar, no importa cuán objetivo uno crea ser, sigues estando sujeto a esos sesgos inconscientes que crean un lente a través del cual interpretas los datos.

Conor Doherty: De hecho, perdón, realmente dijiste en el libro que la persona promedio toma alrededor de 30,000 decisiones al día, y quiero decir, obviamente no somos conscientes de todas ellas. No podríamos serlo.

Jonathon Karelse: No, y este es el beneficio de estos procesos heurísticos que tenemos. Quiero decir, muchas veces vemos las heurísticas de forma peyorativa, como si fueran un atajo. Cuando Joannes mencionó en los 70 y 80 que algunos de estos enfoques científicos o estadísticos más complicados para hacer forecast comenzaron a surgir, sus proponentes, como George Box y Willem Jenkins, a quienes muchos de tus oyentes conocerán por ser coautores del método ARIMA, despreciaron los métodos más simples como el suavizado exponencial simple o el suavizado exponencial triple Holt Winters por ser demasiado simples y considerarlos simplemente heurísticos, un atajo.

Jonathon Karelse: Pero lo que mostraron las primeras cuatro competiciones M fue que, en muchos casos en la práctica, ser una heurística no es necesariamente malo. Y ahora, psicológicamente, hay un enorme beneficio en poder tomar decisiones muy rápidamente desde un punto de vista evolutivo. Si soy consciente de un tigre en mi visión periférica acechándome en el bosque, si me detengo a considerar todas mis posibilidades y pienso en todas las diversas cosas que el tigre puede hacer y en todas las opciones que puedo tener, y luego trato de sopesar la que sea más apropiada para mí, probablemente seré devorado por un tigre. Y eso significa que no procrearé, y eso implica que mi ADN dejará de existir. Así que, con el tiempo, aprendimos que hay una serie de procesos heurísticos que nos benefician evolutivamente.

Jonathon Karelse: Uno de ellos es la heurística de representatividad, que es “esto se parece a algo que he visto antes, la última vez que me encontré con esto, y tuve un resultado exitoso. Esto es lo que hice. Voy a hacer eso de nuevo.” Así que no tenemos que enseñar a los bebés a retraerse ante cosas que se parecen a serpientes; está programado. No necesitamos detenernos a pensar qué hacer cuando vemos un autobús acercándose; simplemente damos un salto hacia atrás. Y de las 30,000 decisiones que tenemos que tomar al día, la mayoría son guiadas por algún tipo de heurística. Si tuviéramos que analizarlas objetivamente, estaríamos paralizados.

Jonathon Karelse: La desventaja de las heurísticas es que aquello que pensamos que se parece a algo que ya hemos visto no siempre representa realmente esa cosa. Y especialmente cuando se trata de interpretar datos, muchas veces estamos sujetos a algo llamado sesgo de ilusión de agrupamiento (cluster illusion bias). Así que, cuando pagamos a personas para interpretar datos y realizar un forecast, sienten la necesidad de agregar valor. Les pagamos para identificar patrones, y encuentran patrones incluso cuando estos realmente no existen. Es natural que esto ocurra; no se les puede culpar. Pero hay una serie de sesgos que impactan nuestra capacidad de interpretar los datos de manera racional y objetiva.

Conor Doherty: Jonathan, respecto a ese punto, en realidad tienes un ejemplo en el libro de una investigación que publicaste en otro lugar. Presentaste datos completamente aleatorizados y sanitizados a un grupo de personas y les pediste que adivinaran si la demanda subiría, bajaría, se mantendría estática, o si no lo sabían. ¿Puedes explicar eso y la importancia de ese hallazgo?

Jonathon Karelse: Claro. El marco de elección que presentamos es un spoiler para cualquiera que eventualmente realice nuestra evaluación de sesgos. Muchos de los datos presentados son estocásticos. Se nos proporcionaron varios conjuntos de datos estocásticos y queríamos asegurarnos de que, de manera inadvertida, no tuviésemos tendencia o estacionalidad en ninguno de ellos. Estos son tan estocásticos como se puede conseguir; no hay ninguna posibilidad de que algún paquete estadístico encuentre tendencia, estacionalidad u otro patrón en estos conjuntos de datos.

Cuando presentamos el conjunto de datos sin editar y sin un marco definido, y preguntamos a la gente hacia dónde pensaban que se dirigiría la demanda, obtuvimos una división bastante equitativa entre que subiera, bajara o se mantuviera sin cambios. No hubo muchas personas que dijeran que no lo sabían, lo cual sería una respuesta completamente apropiada porque significaría que desconocen lo que los datos representan. Ni siquiera cuentan con el beneficio de poder ejecutar una herramienta estadística sobre ellos para ver si existe alguna tendencia o estacionalidad, y, por cierto, de todas maneras no se puede predecir el futuro. Esa sería la respuesta correcta, pero muy pocas personas la ofrecen.

Luego presentamos el mismo conjunto de datos más adelante en la evaluación junto con un montón de otras preguntas intermedias, pero esta vez vino acompañado de una pequeña historia. Los datos son los mismos, y la historia contiene información que podría parecer útil pero que, en realidad, no tiene ningún impacto en los datos. Lo que descubrimos es que aproximadamente el 70 por ciento de las personas se vuelven más seguras de la decisión que van a tomar. Cualquiera que inicialmente dijera “no sé” suele abandonar esa postura, y la mayoría de quienes estaban en “sin cambios” se desplazan a la categoría de “arriba” o “abajo.”

Depende de cómo lo enmarquemos. Si adoptamos un marco positivo, vemos que mucha gente se inclina hacia esa dirección. Esa es una perspectiva realmente importante desde el punto de vista práctico del forecasting, porque los datos no han cambiado. En el primer ejemplo, el resultado es probablemente lo más cercano a lo que se podría esperar de un ser humano. Una computadora lo habría hecho inmediatamente. Pero una vez que acompañamos eso con una historia, de repente toda la lógica y la racionalidad se van por la ventana, y terminamos con una visión extremadamente sesgada de los datos.

El problema es que, en la práctica, no es tan diferente. Pedimos a las personas que elaboren planes de demanda, pero lo hacen dentro del contexto más amplio de una organización que tiene sus propios sesgos culturales y sesgos empresariales hacia el crecimiento y resultados positivos. No es realmente sorprendente, entonces, que cuando medimos el efecto de la intervención humana sobre los forecasts generados por computadora, a menudo observemos que se impulsa un sesgo positivo. En algunos casos, incluso hay presión manifiesta para tener un sesgo positivo en las organizaciones, presión para hacer forecast, para planificar y para alcanzar ciertos objetivos. Básicamente, se les dice a las personas que deben cambiar.

Conor Doherty: El forecast, pero incluso sin esos sesgos evidentes, algunas investigaciones de Len Tashman y, eh, oh, voy a olvidar todos sus nombres, Spheros Mocker Docus, eh, Paul Goodwin. Su investigación a largo plazo muestra que probablemente somos alrededor de cuatro veces más propensos a hacer ajustes positivos a un forecast que ajustes negativos, lo cual no tiene sentido si partimos de un forecast basado en estadística. El residual debería distribuirse normalmente a ambos lados de ese forecast. Si se requiriese un ajuste humano con el tiempo, deberíamos equilibrar ambos lados. Pero debido a este sesgo inconsciente, en el que somos mucho más adversos al riesgo que buscadores de recompensas –y, de nuevo, existen razones evolutivas para ello– nos gusta materializar las posibilidades de alza mucho más de lo que nos gustaría materializar el riesgo a la baja, y acabamos con las huellas humanas en todo el sesgo positivo en el forecasting. ¿Encuentras que ese es el caso cuando realizas forecasting?

Joannes Vermorel: Sí, quiero decir, hace una década, cuando Lokad todavía realizaba, diría, forecasting clásico, comenzamos como un proveedor de software haciendo forecasting clásico. En este momento, diría que tenemos un elemento de modelado predictivo en nuestro kit de herramientas, pero la forma en que operamos, podemos discutirla. Es muy, muy extraño y está fuera del contexto de lo que se consideraría relevante sobre estos caminos hacia tu futuro, a menos que empieces a hablar de la historia del futuro para el siglo XXI. Pero volviendo a esas experiencias, es muy interesante porque tuvimos, eh, experiencias muy similares, especialmente con nuestros clientes. Tuvimos una serie de clientes, eh, que aún tenemos en el sector minorista, y cuando se trataba de forecasts de promociones, una de las cosas que frecuentemente recibíamos era que el uplift de la promoción era limitado. Ya sabes, sí, vas a tener, digamos, un orden de magnitud, un hipermercado, sí, tal vez, que impulse las ventas en un 30-50%. Eso es mucho, pero está muy por debajo del tipo de “vamos a hacer 10x para este producto” que la gente esperaba.

Y lo interesante era que, para esas promociones, hicimos una Serie Mundial de benchmarks con equipos que, en realidad, solo modelaban un uplift súper simplista para la promoción, versus personas que estaban micro optimizando, diciendo “Ah, conozco exactamente esta marca de chocolate”, etc. Y mira lo que resultó ser superior en términos de precisión: diría que modelos ridículamente simples, ya sabes, cosas de la complejidad de un promedio móvil exponencial, pero solo para el uplift de una promoción, que es simplemente un factor constante más 50, y listo. Y eso fue en realidad mejor, muchísimo mejor que aquellos que se dedicaban a la micro optimización. Y, efectivamente, el sesgo era muy positivo, donde decían: “Pero te das cuenta de que esta marca, es la primera vez en los últimos 10 años que está en promoción; ¡van a hacer 10x!” Y nosotros pensamos, “Sí, probablemente no. Es probable que sea más como un plus de 50. Sé que te vas a sentir decepcionado.”

Pero luego acabas con cosas súper extrañas donde, por ejemplo, tienes un forecast que es completamente ilógico, como que dices que harás 10x, y no lo haces, pero comprar 10x es en realidad la jugada acertada porque el proveedor le da al minorista un descuento masivo. Básicamente, es una especie de especulación sobre el valor del inventario. Y si tu proveedor te da un 25%

Conor Doherty: Con el tiempo lo venderás, podría resultar ser una decisión inteligente, pero ves que había algo muy bizarro en la forma de pensar. Eso fue: voy a empezar haciendo un forecast muy ilógico, como solía hacer, y luego, debido a que habitualmente con las promociones compro el stock con un descuento enorme del proveedor como forma de poder ofrecer un gran descuento en el precio de etiqueta de los productos, termino realizando una buena operación con el tiempo.

Joannes Vermorel: Pero ves, la deconstrucción es que existe un elemento de racionalidad. Terminas teniendo la razón por las razones equivocadas.

Jonathon Karelse: Exactamente, y eso es muy interesante. Sabes, es el tipo de cosas en las que, no es –y de nuevo, el hecho de que las personas puedan ser irracionales no significa que no se pueda aplicar la razón sobre ello para modelar esa irracionalidad. Absolutamente, es irracional, pero no lo es, y por ello diría que, desde mi perspectiva, no hay límite para la ingeniosidad humana. Sabes, aparentemente esa es mi creencia, eso no es un elemento de la ciencia. Mi creencia principal es que no hay límite para la cantidad de ingeniosidad humana, pero no te equivoques, algunas cuestiones que deben abordarse requieren una cantidad absolutamente inmensa de ingeniosidad humana, y probablemente, ya sabes, se trata de cosas que demandan siglos de trabajo. Así que, tenemos que ser muy modestos en este gran viaje de la ciencia que comenzó hace unos siglos. Esto es solo el comienzo, y probablemente existen clases enteras de conocimiento de las que ni siquiera sospechamos que puedan existir.

Joannes Vermorel: Así que sí, y estoy totalmente de acuerdo contigo, Jonathon. Es también una creencia fundamental mía.

Jonathon Karelse: Creo que fue Pascal quien dijo, “Si existe, puede ser cuantificado.” Y, por supuesto, existen limitaciones en nuestra capacidad para hacerlo, pero creo que, en última instancia, con la capacidad suficiente, todo se puede cuantificar y entender. Pero, obviamente, el problema es que estamos tan lejos de esa capacidad que, en la práctica, comenzar cualquier tipo de proyecto empresarial con esa filosofía es una locura, porque estamos demasiado lejos de la meta. No obstante, es una continuación importante de la idea de que el forecast siempre está equivocado y del punto que Joannes expuso sobre la microgestión de los forecasts. Cuando George Box dijo, “Todos los modelos están equivocados, pero algunos modelos son útiles,” de ahí surge la idea de que el forecast siempre está equivocado. Dijo dos cosas más que la mayoría ignora. La primera fue, “Puesto que todos los modelos están equivocados, pero algunos son útiles, opta por la parsimonia en la selección de modelos.” En otras palabras, vas a equivocarte de todas formas, así que, especialmente, cuando los economistas construyen un modelo enorme y complicado, terminarán cometiendo errores. No bases, pues, la necesidad de un modelo enorme y complejo que te ofrezca precisión, porque aún así estarás equivocado. Pero la segunda, y para mí, la más importante en la práctica, es “No te preocupes por los ratones cuando hay tigres alrededor.” La cantidad de veces que trabajamos con organizaciones que afirman saber que el forecast siempre está equivocado, y cuya precisión en el forecast en la práctica es abismal, pero pasamos horas debatiendo un uno o dos por ciento en un horizonte de siete u ocho meses en un SKU es una locura. La precisión de su forecast en ese horizonte a nivel de SKU es, por ejemplo, del 30 por ciento.

Conor Doherty: Ajustar uno o dos por ciento es inmaterial. Vas a equivocarte, y vas a equivocarte tanto que el tiempo que dediques a hacer ese ajuste de uno o dos por ciento es un completo desperdicio. Solo deberías enfocarte en aplicar esa capacidad de ingeniosidad, infinitamente potencial, que también creo que los humanos poseen en aplicaciones específicas donde la probabilidad de alza es mayor. Y es cuando A) entiendes algo con certeza sobre el futuro que no se refleja en la historia, B) el valor de aquello que estás abordando es lo suficientemente alto como para justificar la intervención, y, en última instancia, C) la escala de esa intervención es suficientemente grande como para justificarla, porque de lo contrario, sigues estando dentro de los márgenes de error y cuentas con safety stock u otro mecanismo que se encarga de ello de todas formas.

Joannes Vermorel: Eso es muy intrigante porque refleja en gran medida el tipo de camino que siguió Lokad. En la actualidad, la forma de abordar esto es, primero, aproximarse únicamente a la anticipación del futuro por sus consecuencias. Por eso, ahora es casi dogmático en Lokad decir que los forecasts desnudos no están permitidos. No se permite realizarlos, y eso se refuerza. Yo, como CEO, lo hago cumplir en Lokad. La idea es que cuando haces un forecast desnudo, por definición, estás aislado de las consecuencias del mundo real. El forecast en sí es una abstracción de una medición para el futuro. No dice nada sobre si tu negocio es bueno o malo. Sí, puedes ajustar los números, pero, en última instancia, ni siquiera está realmente conectado con la realidad. Es algo muy abstracto.

Y de nuevo, la gente solo está dispuesta a emprender este tipo de ejercicio debido al hecho de que el forecast clásico se ha vuelto prácticamente rarificado. Hay personas que tienen forecast en su currículum, como, “Estoy certificado para hacer forecast.” Existe el forecast, y demand planner es algo real. Tienen puestos y procesos. Así que ves, esas cosas que son muy abstractas, que eran una forma de abordar el futuro, se han reificado a través de puestos de trabajo y componentes de software. Pagas dinero por licencias para obtenerlos, por lo que ves, esa es una manera de hacerlo real. Si pagas por algo, ciertamente existe.

Y entonces, el enfoque, si regreso a esta idea de forecast desnudo, fue que, según Lokad, no, tenemos que tratar el forecast como una técnica entre muchas otras, técnicas numéricas que simplemente nos permiten tomar decisiones. Hay toneladas de cosas que tienen un impacto tangible en el negocio. La idea es que si no tienes una conexión directa con algo muy tangible, como producir algo, mover algo de un lugar A a un lugar B, o producir algo de modo que te deshagas de ciertos materiales y obtengas algún resultado, entonces no se te permite hacer modelado predictivo. Eso es lo que resulta muy tentador; en cuanto tienes una serie de tiempo o cualquier tipo de dato, siempre puedes ingenierar un modelo.

Conor Doherty: Joannes, ¿puedes proporcionar algún insight sobre los desafíos de usar proyecciones en la optimización de la supply chain?

Joannes Vermorel: La belleza de las proyecciones radica en que son factibles, ya sean relevantes o prudentes. Sin embargo, el problema es que cuando tienes un martillo en la mano, todo se parece a un clavo. Si tienes una certificación en técnicas de forecast, puedes tomar cualquier conjunto de datos y empezar a aplicar tus modelos. Nuestra política en Lokad es “no forecast desnudo” porque son demasiado peligrosos. Si no conectas el forecast con algo muy real, estarás sujeto a un sesgo intenso o incluso a problemas burocráticos. Cuando desarrollas una métrica, puedes tener todo tipo de elementos dentro de la organización que se optimicen contra esta métrica inventada. Considerando que las supply chains son burocráticas por naturaleza, alinear supply y demanda es un ejercicio muy burocrático. Se trata de sincronizar a muchas personas, procesos y software. Si le echas leña al fuego, puedes terminar con algo que rápidamente adquiere grandes proporciones. Las supply chains son construcciones humanas compuestas de muchas personas, software y procesos, y esto crea un terreno fértil para problemas, especialmente con el forecast.

Conor Doherty: Jonathan, ¿cómo mejora en términos concretos el proceso de forecast una mayor comprensión de la economía del comportamiento dentro de la organización?

Jonathon Karelse: Diría que hay dos grandes maneras en las que se mejora el proceso. Primero, muchas organizaciones creen que los humanos no influyen en el proceso de forecast, por lo que intentan mantener el juicio humano lo más alejado posible del proceso de forecast. Creen que, como resultado, son más inmunes a los sesgos y a las mañas que ocurren en lo que Joannes acertadamente llamó un proceso muy burocrático. Sin embargo, argumentaría que, incluso en situaciones donde pensamos que hemos mantenido a los humanos alejados del proceso, todavía hay huellas humanas por todas partes. Existe influencia humana en la selección de datos, en la elección del software y, lo más importante, en las acciones que tomamos como resultado del proceso de forecast.

El forecast en sí mismo es solo una idea, un conjunto potencial de instrucciones o un mapa. Todavía tenemos que decidir qué hacer con él después, y eso requiere que los humanos en la supply chain tomen acción. Entender hasta qué punto, y de qué maneras, estamos sesgados, nos ayuda a comprender las posibles trampas en nuestro proceso. Trabajar hacia atrás desde los posibles resultados hasta el proceso, en lugar de asumir que el proceso nos llevará a un resultado específico, permite una mejor comprensión de las fuentes y los grados de sesgo en las personas involucradas.

Conor Doherty: La supply chain y la planificación nos ayudan a comprender con un insight aún mayor cuáles podrían ser esos resultados. Es más probable que una organización cuente con un proceso de forecast o de planificación de la demanda que tenga cierto grado de automatización y elementos controlados por computadora, pero también, por diseño, la integración del juicio humano. Creo que, sujeto a directrices específicas, hay un valor a lo largo del tiempo en la integración del juicio, sujeto a criterios específicos. Pero se ayuda a maximizar el potencial de que ese juicio humano aporte valor si, de nuevo, se entiende hasta qué punto las personas que ofrecen ese juicio tienen sesgos. Es en las organizaciones que activamente no quieren creer que tienen sesgo o son ajenas al hecho de que tienen sesgo, donde es más probable que se transmita ese sesgo al proceso de planificación de la demanda, ya sea mediante la integración activa de juicios o con esas huellas humanas que existen en todas partes. Cuando empiezas a observar los sesgos en tu organización, puedes comenzar a establecer límites que mitiguen su impacto. Siempre estarán presentes. Quiero decir, el juicio humano siempre va a ser defectuoso, pero se trata de equilibrar el potencial beneficio de las visiones humanas en casos particulares frente a la certeza de que, con esas visiones, viene la fragilidad que nos afecta a todos debido a la imperfección del funcionamiento de nuestra mente.

Joannes Vermorel: Estoy de acuerdo con la idea —que es también mi experiencia— de que, si ni siquiera reconoces el hecho de que podrías tener sesgos, es una receta probada para maximizar la cantidad de sesgos que posees. Para las organizaciones, esa ha sido, en gran medida, mi propia experiencia. Lo que diría, y si tengo que deconstruir aún más esta idea de abordar el futuro, es que, cuando las personas piensan en esos sesgos, aún tienen en mente esta perspectiva de series de tiempo. Y es muy difícil pensar en qué estoy haciendo mal en mi actividad de forecast sin tener presente algún tipo de solución o mecanismo por el cual lo estoy haciendo. El sesgo se refiere al hecho de que tienes elementos que son demasiado altos o demasiado bajos, y esta es una perspectiva muy unidimensional basada en la idea de que estás operando con una serie de tiempo.

El tipo de problemas que he observado, y que ha marcado la evolución tecnológica en Lokad, es que si quieres transmitir información sobre el futuro, existen clases enteras de cosas que no pueden expresarse mediante series de tiempo. No significa que no se pueda expresar con números; simplemente no se puede expresar con series de tiempo. Las series de tiempo son una forma muy simplista, es literalmente una secuencia de mediciones que se extienden hacia el futuro. Solo para dar un ejemplo, si estoy analizando las ventas de un producto, podría forecast mis volúmenes de ventas, pero mis volúmenes de ventas dependen del precio que practico, y el precio no es algo dado, es una decisión de mi parte. Así que, incluso si pudiera obtener un forecast muy preciso, seguiría siendo incompleto.

Conor Doherty: Algo que resultaría algo extraño tendría que ser, matemáticamente, una función que dijera: si hago esto por el precio, entonces este sería el resultado. Entonces, aquí estamos tocando de repente el hecho de que, incluso si lo miramos desde esta perspectiva tan determinista de simplemente tener sesgo y demás, solo estoy señalando que hay elementos en los que esta perspectiva de series de tiempo es muy débil para tener en cuenta cosas realmente importantes. No se trata solo de tener algo que es demasiado alto o demasiado bajo, es casi como si fuera una dimensión diferente que simplemente no se contempla. Así que, aquí estoy transmitiendo la idea de poder literalmente moldear el resultado mediante otras acciones. No se trata solo de observar el movimiento de los planetas; puedo actuar y modificar el futuro del resultado. Pero además, incluso si nos quedamos con un observador puramente pasivo, hay situaciones en las que las series de tiempo siguen siendo insuficientes.

Joannes Vermorel: Por ejemplo, si voy al mantenimiento de aviation, quiero mantener mis líneas de aeronaves. Puedo forecast la demanda de piezas, pero la cuestión es que cuando reparo una aeronave, existe una lista de piezas que necesito reparar. Así, simplifico el esquema: una aeronave ingresa al hangar para mantenimiento, se realiza un diagnóstico, aparece una lista de piezas que deben cambiarse y, hasta que cada una de esas piezas no sea reemplazada, la aeronave no puede volar de nuevo; queda en tierra. El hecho de que pueda forecast todas las piezas de manera independiente no me dice nada sobre la disponibilidad conjunta de todas ellas. En teoría, si todos mis forecasts fueran absolutamente perfectos para cada pieza, entonces sí, el conocimiento conjunto sería perfecto también. Pero tan pronto como existe una incertidumbre mínima en cada pieza, sabiendo que, para el público, una aeronave está compuesta por aproximadamente 300,000 piezas distintas, incluso la incertidumbre más mínima sobre la necesidad que tienes para cada pieza implica que la incertidumbre respecto a la disponibilidad conjunta de todas las piezas necesarias para reparar la aeronave es absolutamente gigantesca.

Joannes Vermorel: Y ese es un ejemplo donde la perspectiva clásica de series de tiempo simplemente, matemáticamente, no es lo suficientemente expresiva. Así que esa es otra clase de problemas en la que, si volvemos a los sesgos, tienes el tipo de sesgo de forecast demasiado alto o demasiado bajo, pero también existen otras clases de problemas muy humanos que simplemente no miran en la dirección correcta o ni siquiera utilizan la estructura que te proporcionaría una respuesta relevante. Y esos son, diría, muy al estilo del siglo XXI, y son mucho más desconcertantes.

Jonathon Karelse: Estoy absolutamente de acuerdo.

Conor Doherty: Bueno, eso nos lleva, creo, de manera determinante a discutir el futuro, o los próximos cien años, el futuro del futuro, el futuro de los futuros. Entonces, Jonathon, te cedo la palabra. En términos de desarrollo y tecnología en AI, ¿ves que esto ayude a las personas a hacer forecast o que, en última instancia, las reemplace?

Jonathon Karelse: Cuando a Daniel Kahneman le preguntan sobre que la AI reemplace a las personas, por un lado, es optimista en que…

Conor Doherty: Somos tan malos al hacer juicios objetivos, pero por otro lado, seguros de que eso nunca sucederá. Y, de nuevo, esto es, para mí, la importancia de dividir lo teórico o filosófico de lo práctico. En el lado teórico, debería ocurrir en algún momento en el futuro, en un momento en que nuestra capacidad para procesar datos, nuestra capacidad para entender a un nivel mucho más matizado y granular cómo funciona el pensamiento humano y qué es en realidad la inteligencia, nos permita dar lugar a sistemas complejos como los que aspiraban a crear los tipos de la conferencia de Dartmouth en los años 50 cuando pensaron que podrían replicar el cerebro humano en unas pocas décadas. Eso es en el lado teórico.

En la vida real, en mi vida, en la tuya, no creo que eso suceda. Y puedo decirlo con cierto grado de certeza solo al observar la trayectoria de lo que hemos visto en los últimos 70 años de AI. Ciertamente, hoy estamos aprendiendo mucho. La potencia de procesamiento informático se expande exponencialmente, al igual que la cantidad de datos disponibles, pero eso aún no ha dado lugar a nada cercano al tipo de avance en AI en la práctica que reemplace a los humanos. ¿Puede ayudarnos? Ciertamente. Existen todo tipo de ejemplos hoy en los que la aplicación incipiente de AI está beneficiando a muchas áreas diferentes, pero la brecha entre reemplazar a las personas y asistir a las personas hoy sigue siendo un abismo.

Volviendo a algo que Joannes mencionó al principio y con lo que estoy muy de acuerdo: la capacidad humana para la ingeniosidad es ese aspecto que creo que no estamos en peligro de que sea reemplazado por computadoras o por AI. Pienso que el valor de la humanidad no reside en poder responder a preguntas complejas porque podemos aprovechar correctamente las computadoras para resolverlas. Creo que donde somos más valiosos es en plantear preguntas interesantes e importantes en primer lugar. Solo formulando esas preguntas podemos aprovechar la suma total de la tecnología actual para encontrar la respuesta, pero son esas preguntas de mente expansiva las que hacen que los humanos sigan siendo una parte crítica del proceso.

¿Quieres añadir algo, Joannes? Te cedo la palabra.

Joannes Vermorel: Mi opinión es que lo que la gente considera el forecast como una actividad humana, en el sentido clásico, como tener un ejército de empleados administrativos o empresas que tienen sus procesos de S&OP respaldados por cientos de personas procesando spreadsheets y generando números, tengo muchas esperanzas de que, dentro de mi vida, vaya a desaparecer. La práctica que tenemos en Lokad me llena de esperanza porque, para los clientes a los que servimos, prácticamente hemos eliminado eso. Pero la forma en que lo hemos hecho, y ese es el tipo de producto, no es eliminando personas ni mediante algún tipo de inteligencia artificial. La forma en que lo hicimos fue enfocándonos en esas decisiones y haciendo que ingenieros inteligentes crearan recetas numéricas. Ese es el término típico que utilizo, porque algunas podrían ser heurísticas, otras incluso más mundanas, simplemente filtros y demás. Incluso eso ni siquiera es una heurística, es algo aún más básico.

Conor Doherty: Entonces, ¿ingeniar recetas numéricas que operen a escala para esas compañías, lo cotidiano diario, y que puedan automatizarse por completo ahora, significa que hemos eliminado a los humanos del proceso?

Joannes Vermorel: No realmente, porque primero, las recetas numéricas son en gran medida un producto humano. Se necesita un ingeniero humano realmente inteligente para crearlas, y el mantenimiento también se maneja completamente de manera humana. Las recetas numéricas son simplemente una especie de know-how sobre qué procesos numéricos funcionan a escala para generar decisiones razonables. ¿Existe alguna inteligencia en las recetas numéricas? Absolutamente no. La receta numérica es un asunto muy mecánico. Sí, puede haber elementos de machine learning, pero eso es solo técnicas estadísticas. Siguen siendo increíblemente mecánicas por naturaleza.

Conor Doherty: Entonces, ¿dónde es realmente interesante?

Joannes Vermorel: Si empiezas a ver las cosas desde esta perspectiva, lo que terminas teniendo es, aun así, un proceso que automatiza algo que mantiene a cientos de personas ocupadas en grandes compañías. Sin embargo, al final del día, sigues teniendo un equipo de personas que está muy a cargo de esas recetas numéricas que no operan por sí solas. La clave es que los humanos tengan la capacidad mental para pensar, y si están completamente sepultados bajo los detalles minuciosos de cosas super complejas en supply chain, se vuelve difícil.

Un ejemplo de algo super complejo en supply chain sería tener 50 millones de SKUs que requieren algún tipo de microgestión, donde necesito elegir si voy a tener una unidad en stock, dos, tres, cinco, etc. Y tengo 50 millones de esos niveles de stock para microgestionar a diario. Mi esperanza es que los forecast minuciosos necesarios para impulsar este tipo de decisión sean completamente automatizados en el sentido de ejecución diaria. Pero para un horizonte más largo, como de un año a otro, donde la empresa misma evoluciona, donde su mercado evoluciona, donde las preguntas correctas a responder evolucionan, no creo que lo veamos respondido a través de máquinas en mi vida.

Conor Doherty: ¿Qué significa eso, en la práctica, para las empresas?

Joannes Vermorel: Creo que esta automatización reemplazará capas del ecosistema en donde las personas están haciendo cosas que tienen muy poco valor agregado, especialmente bajo el paraguas del S&OP. Algunas personas argumentarían que quizás no es el verdadero S&OP o el buen S&OP, pero ese no es mi debate. Mi punto es que he observado, en la industria de supply chain, que hay muchas grandes empresas con equipos tremendamente grandes de personas que solo están ajustando números de arriba abajo, y sospecho que eso podría desaparecer. No porque tengamos algún tipo de herramienta fantástica que elimine la necesidad de humanos, sino porque con mejores herramientas, podemos mejorar la eficiencia de la gestión de supply chain.

Jonathon Karelse: Estoy de acuerdo con Joannes. A medida que continuamos desarrollando mejores herramientas y tecnologías, veremos un cambio en los roles que los humanos desempeñan en la gestión de supply chain. Mientras la automatización puede encargarse de muchas tareas mundanas y repetitivas, la experiencia humana seguirá siendo vital para la estrategia, la innovación y para adaptarse a las condiciones evolutivas del mercado.

Conor Doherty: Y con mejores técnicas, podemos tener a unas pocas personas inteligentes que puedan diseñar cosas que operen a una escala muy grande. Bueno, si te lo devuelvo, Jonathan, ¿tienes algo en respuesta a eso? Porque quiero darte la última palabra en este asunto.

Jonathon Karelse: Quiero decir, puedo dar la última palabra, pero en general estoy de acuerdo con todo lo que él ha dicho, seguro. Y tampoco me veré envuelto en el debate del “S&OP.”

Conor Doherty: Entonces, continuemos un poco. En términos de avanzar, si tuvieras que escribir una segunda edición de “History’s Future Histories of the Future Part two of the 21st century,” ¿hay alguna idea específica en la que te centrarías?

Jonathon Karelse: No, mi segundo libro no será una secuela de este libro. Mi segundo libro tendrá que ser después de que me jubile, porque sería la historia de todas las cosas insanas que he visto hacer en supply chain a lo largo de mi carrera. Quienes, a pesar de todas las montañas de evidencia de lo loco que sería hacerlo, insisten en hacerlo de todas formas. Pero, obviamente, a todos ustedes, clientes actuales, no se preocupen, ustedes no estarán en él. Pero no, quiero decir, estamos apenas a unos meses después de que publiqué este libro, así que no creo que existan estos nuevos, como dijo Joannes, sistemas de conocimiento aún por descubrir o tipos de ciencia en los que necesite empezar a pensar.

Conor Doherty: Bueno, en esa línea, y es algo que no tuve la oportunidad de preguntar antes, Joannes, yo también te lo preguntaré. En tu experiencia en NorthFind, cuando estás en una sala con ejecutivos de nivel C y estás tratando de venderles estas ideas de las que hablamos, y te encuentras con ese nivel de resistencia que mencionamos anteriormente a través de sesgos inconscientes, ¿cómo aprovechas la economía del comportamiento para impulsar eso, para tratar de evitar los tipos de ejemplos insanos a los que acabas de aludir?

Jonathon Karelse: Voy a rechazar parcialmente el planteamiento de tu pregunta. No creo que particularmente intente usar la economía del comportamiento como una forma de llegar a una conclusión deseada en estas discusiones. Creo que estoy en una posición quizás más fácil para navegar ese terreno que, por ejemplo, un proveedor de software. Porque para mí, el éxito empresarial no se parece a vender un piece of software. Y para ser claro, no digo que el software no sea importante; absolutamente lo es, es un facilitador crítico. Pero dado que estamos en el negocio de evaluar procesos y cuestiones, y en última instancia, de diseñar soluciones, no me encuentro a menudo en la posición de intentar empujar a los ejecutivos de nivel C hacia una cierta dirección. Se trata más de entender, dada la cultura de su negocio, dados sus recursos disponibles – ya sean datos, herramientas o personas – cuál es el primer paso más probable o más óptimo en el camino hacia la transformación de procesos. Y si están firmemente en contra de la idea de renunciar a su control sobre un forecast y realmente quieren que 300 vendedores dediquen tiempo cada mes a ajustar un forecast, eso no es necesariamente una causa por la que tenga que pelear. Quiero decir, entonces está bien. Si esto continúa siendo nuestra realidad, hagámoslo parte del proceso, pero, lo que es importante, midamos el valor de negocio de esa actividad. Y a menudo, ellos mismos llegarán a la conclusión. La razón por la que muchas de estas actividades locas existen es porque

Conor Doherty: El legado en estas organizaciones es algún tipo de medición que les permite persistir. Es una medición que no deja claro lo insana que es la actividad. Las propias medidas a menudo son locas porque se requiere una medida loca para sustentar un proceso loco. Cuando vas a una organización y ves la precisión de la medición en el valor en dólares al nivel más alto y promediada a lo largo de tres meses, sabes que es producto de que no quieren saber lo malo que es el proceso de forecast. Porque si lo usaran para su propósito original, que es diagnóstico en lugar de una tarjeta de puntuación, nunca agruparías varios meses, y nunca lo agruparías tan alto en una jerarquía. Estoy divagando un poco, pero en resumen, no estoy tratando de empujarlos hacia una conclusión si realmente están obsesionados con un proceso loco. Simplemente les ayudamos a entender, midiendo el beneficio de negocio de ese proceso loco, ya sea que quieran continuar haciéndolo o no, y a menudo ellos mismos llegarán a la conclusión.

Joannes Vermorel: Obviamente, siendo un modelo de software, mi enfoque suele ser bastante diferente. Mi manera generalmente es esbozar ejemplos tan simples como pueda, en los que el tipo de forecast simplemente no puede entregar lo que se busca. A veces, hay situaciones muy simples. En la aviación, si haces las cosas a nivel de parte, eso todavía te da cero información sobre si vas a reparar la aeronave. Si entras al retail y dices que la tienda tiene toneladas de productos que son muy buenos sustitutos unos de otros, tienes otra clase de problemas. No me va a dar un buen indicator en absoluto. ¿Soy muy exitoso con este tipo de organización? No lo sé. Quizás tu propio enfoque, que es hacer que ellos recorran su propio camino, podría ser más eficiente. Es un camino difícil. Uno de los puntos que hace que la experiencia de Lokad sea interesante, no necesariamente más fácil, sino interesante, es que al enfocarnos en las decisiones, el tipo de cosas que estamos haciendo en términos de modelado predictivo son simplemente muy extrañas, positivamente. Veo este camino en el que los forecast que son más útiles se vuelven cada vez más extraños. Sospecho que las historias del futuro del siglo XXI serán muy extrañas, un poco como el tipo de rareza que surge con la mecánica cuántica. Es un conjunto completo de ideas que son absolutamente no intuitivas. Vienen con matemáticas que son simplemente bizarras. Cuando aplicas eso, terminas con cosas incluso más bizarras de lo esperado.

Jonathon Karelse: Bueno, caballeros, creo que podría poner fin a esto. Pero antes de irnos, Jonathan, si tuvieras un consejo para dar a todos los que están en la gestión de supply chain o a cualquier profesional de supply chain, ¿cuál sería?

Jonathon Karelse: Compra el libro, disponible en tiendas. Ese es un consejo que quizás daría mi contador. Si fuera un solo consejo, sería preguntar por qué. Nunca te conformes con solo saber; intenta entender por qué. De hecho, tenemos una muy buena cita, y no sé si la escribiste tú, pero fue “a bad forecaster with data is like a drunk with a lamppost: he uses it for support rather than illumination.” Así que siempre busca la luz.

Conor Doherty: Muchas gracias. Bueno, Jonathan, muchas gracias por tu tiempo. Joannes, gracias por el tuyo. Y gracias a todos por vernos. Nos vemos la próxima vez.