00:00:00 Discutiendo la importancia del pronóstico y el escepticismo.
00:00:40 Presentando a los invitados Jonathon Karelse y Joannes Vermorel.
00:01:37 Inspiración detrás de la escritura de “Histories of the Future” y la importancia de cuestionar los métodos de pronóstico.
00:05:49 Definiendo el pronóstico y sus raíces a principios del siglo XX.
00:08:53 Debatir la sensatez de extender series de mediciones para predecir el futuro.
00:09:40 Perspectiva clásica de pronóstico del siglo XXI y su apego a las series de tiempo.
00:10:33 Recalibración de la medición del éxito en el pronóstico y enfoque en ganar dinero en los negocios.
00:13:25 Principios newtonianos y enfoque determinista en el pronóstico y su influencia en el pensamiento económico.
00:16:55 Avances europeos en matemáticas y estadísticas, y su impacto en los métodos de pronóstico en América del Norte.
00:18:25 Adaptarse a las inexactitudes inherentes del pronóstico y aceptar la idea de que nunca será perfectamente preciso.
00:19:29 El problema con el pronóstico determinista y la adopción de enfoques probabilísticos.
00:20:36 Los primeros pensadores en IA y sus predicciones sobre sus capacidades.
00:21:55 La influencia de la economía conductual en el pronóstico y el enfoque clásico.
00:23:00 La irracionalidad de los seres humanos y la aparición de la economía conductual.
00:26:34 Heurísticas, sus beneficios evolutivos y la desventaja en la interpretación de 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 pronóstico.
00:33:00 El problema del exceso de optimismo en el pronóstico de promociones.
00:36:23 Aplicar la razón sobre la irracionalidad y el potencial de la ingeniosidad humana.
00:38:53 Importancia de no depender demasiado de modelos complejos para estrategias operativas.
00:39:48 Los peligros de los “pronósticos desnudos” y la necesidad de conexiones tangibles con el negocio.
00:42:34 Cómo los procesos burocráticos y las cadenas de suministro son vulnerables a problemas en el pronóstico.
00:45:31 Economía conductual y sesgos humanos en el proceso de pronóstico.
00:47:53 Maximizar el valor del juicio humano en el pronóstico comprendiendo los sesgos.
00:48:39 Importancia de reconocer los sesgos y su papel en el pronóstico.
00:50:40 Limitaciones de la perspectiva de series de tiempo en el pronóstico.
00:52:00 Problemas humanos en el pronóstico 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 pronosticadores humanos.
00:57:01 La importancia de la ingeniosidad humana y hacer las preguntas correctas.
00:58:47 Discutiendo recetas numéricas y el papel humano en la automatización.
01:01:58 Automatización futura en la gestión de la cadena de suministro.
01:04:11 Temas potenciales para un libro de segunda edición.
01:05:22 Aprovechando la economía conductual en las reuniones de nivel C.
01:08:46 Limitaciones del pronóstico en la aviación y el comercio minorista.
01:09:30 Enfocándose en las decisiones y la naturaleza extraña de la modelización predictiva.
01:10:27 Comparando la extrañeza de las predicciones futuras con la mecánica cuántica.
01:11:12 Consejo de Jonathon para los profesionales de la cadena de suministro.
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 pronóstico en los negocios. Abogan por un enfoque escéptico, enfatizando que la precisión no debe ser la única medida de éxito. El pronóstico debe verse como una métrica diagnóstica para identificar y abordar errores para la mejora continua. Ambos expertos coinciden en que los sesgos pueden influir en el pronóstico y las empresas deben centrarse en técnicas que tengan impactos tangibles. También discuten el papel de la IA en la optimización de la cadena de suministro, señalando que si bien la IA puede ayudar, la ingeniosidad humana sigue siendo esencial.
Resumen Extendido
En esta entrevista, el presentador Conor Doherty discute el pronóstico con Joannes Vermorel, fundador de Lokad, y Jonathon Karelse, CEO de NorthFind Management. Karelse explica que su enfoque en el pronóstico se centra en comprender su impacto en los negocios. Muchas organizaciones pronostican porque se supone que deben hacerlo, pero a menudo no se preguntan por qué están pronosticando o si hay formas de mejorar el proceso. Él enfatiza la importancia de tener un escepticismo saludable y cuestionar continuamente las prácticas para mejorar el pronóstico.
Karelse comparte la inspiración para su libro, “Histories of the Future”, que surgió de su deseo de examinar el contexto histórico del pronóstico y la validez de ciertos principios de pronóstico. 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 lente similar al campo del pronóstico.
Cuando se le pide que defina el pronóstico, Karelse dice que esencialmente se trata de adivinar cómo será el futuro. Si bien la suposición puede volverse más científica y guiada, es importante no perder de vista el hecho de que el pronóstico se basa en última instancia en la incertidumbre. Vermorel agrega que la perspectiva clásica del pronóstico, que se remonta al principio del siglo XX, se centra en las series de tiempo y en la extensión de las mediciones a lo largo del tiempo. Sin embargo, él cree que en el siglo XXI seguirán surgiendo nuevas formas de mirar hacia el futuro.
Karelse enfatiza que la precisión del pronóstico no debería ser la única medida de éxito. En cambio, la precisión del pronóstico debe verse como una métrica diagnóstica que puede ayudar a identificar las causas fundamentales de los errores y las suboptimalidades, que luego se pueden utilizar para recalibrar y optimizar para una mejora continua. El objetivo del pronóstico es ganar dinero, y comprender las necesidades y expectativas específicas de un negocio es clave para utilizar los pronósticos de manera efectiva.
Vermorel está de acuerdo en que el pronóstico 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 métodos de pronóstico de una manera que beneficie a las empresas.
La discusión comienza con una breve historia del pronóstico, específicamente los aspectos culturales y geográficos que jugaron un papel en su desarrollo. La conversación luego se centra en el enfoque clásico del pronóstico, que se basaba en una filosofía determinista que se apoyaba en principios matemáticos y científicos para llegar a conclusiones precisas. Se discuten las limitaciones de este enfoque, incluido el hecho de que los humanos no siempre son actores racionales y que los sesgos inconscientes pueden influir en la toma de decisiones. Se introduce el concepto de heurísticas y se discuten los beneficios y las desventajas de depender de ellas. También se explora la idea de la sobreconfianza, que es un precursor de una discusión sobre la economía conductual. La conversación luego se centra en la importancia del pronóstico 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 inteligencia artificial y su potencial para ayudar con el pronóstico, pero también la necesidad de aceptar que hay limitaciones últimas en nuestra capacidad para comprenderlo todo.
El problema del sesgo positivo en el pronóstico, especialmente en organizaciones con sesgos culturales y basados en 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 pronóstico que ajustes negativos. Este sesgo se atribuye a nuestras tendencias evolutivas hacia la aversión al riesgo y la materialización de posibilidades positivas.
Joannes Vermorel compartió su experiencia con clientes en el sector minorista, donde prevalecía el sesgo hacia un aumento positivo en las promociones, lo que llevaba a pronósticos sin sentido. Su solución fue abordar el pronóstico como una técnica entre muchas otras, en lugar de como el enfoque principal. Esto implica utilizar solo técnicas numéricas que permitan un impacto tangible en el negocio, como producir algo, mover algo de un lugar a otro o utilizar datos que estén directamente relacionados con algo tangible. Vermorel insistió en la necesidad de tratar el pronóstico como una de muchas técnicas y no tener pronósticos aislados que no estén conectados a algo tangible.
Jonathon Karelse contribuyó a la discusión al agregar 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 pronósticos, ya que es una pérdida de tiempo cuando la precisión del pronóstico a un horizonte de siete u ocho meses ya es abismal. Sugirió que aplicar una capacidad infinita de ingenio en aplicaciones específicas donde la probabilidad de un resultado positivo es mayor es el camino a seguir.
Concluyeron afirmando que el pronóstico es solo una técnica entre muchas y no la única forma de abordar el futuro. Estuvieron de acuerdo en que una mayor comprensión de la economía del comportamiento dentro de una organización puede mejorar el pronóstico. Al reconocer los sesgos que pueden influir en el pronóstico, las organizaciones pueden evitar hacer pronósticos sin sentido y centrarse en técnicas que permitan un impacto tangible en el negocio.
La discusión gira en torno al uso de la inteligencia artificial y el pronóstico en la optimización de la cadena de suministro. Exploran las fuentes y grados de sesgo en el juicio humano y cómo afecta el proceso. Vermorel argumenta que el enfoque debería estar en la creación de recetas numéricas que funcionen a gran escala y generen decisiones razonables. Afirma que dichas recetas deberían ser completamente automatizadas en la ejecución diaria, mientras que los humanos deberían centrarse en decisiones a más largo plazo que requieran más capacidad mental. Karelse está de acuerdo en que la inteligencia artificial puede ayudar a las personas en el pronóstico pero no reemplazarlas, y la ingeniosidad humana sigue siendo esencial para plantear preguntas interesantes e importantes que la inteligencia artificial pueda resolver. La discusión termina con la esperanza de Karelse de que las organizaciones puedan equilibrar el potencial positivo de las ideas humanas con la fragilidad que afecta a todos debido a la imperfección de cómo funcionan nuestras mentes.
El futuro de la optimización de la cadena de suministro. Vermorel expresó su creencia de que con mejores herramientas y técnicas, los grandes equipos de personas en la gestión de la cadena de suministro podrían volverse innecesarios, y describió su experiencia de ver a las personas persistir en hacer cosas que claramente son irracionales, a pesar de la evidencia que demuestra lo contrario. Karelse estuvo de acuerdo con Vermorel y agregó que utiliza la economía del comportamiento para ayudar a los ejecutivos de nivel C a comprender por qué sus procesos son defectuosos y cómo medir su valor empresarial. Vermorel cree que centrarse en la modelización predictiva en la gestión de la cadena de suministro se volverá cada vez más extraño, y Karelse recomendó que los profesionales nunca se conformen con simplemente saber, sino que siempre pregunten por qué. La entrevista terminó 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 anfitrión, 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 maravilloso libro, “Histories of the Future”. Jonathan, muchas gracias por unirte a nosotros.
Jonathon Karelse: Gracias por tenerme.
Conor Doherty: Muy bien, Jonathan, espero que estés listo para recibir muchos halagos porque en realidad leí el libro. Realmente lo disfruté. Creo que, de hecho, podría ser tu público objetivo porque soy alfabetizado, pero también 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 música y filosofía. Así que en realidad aprendí bastante al recorrer la historia de la previsión. Tienes un tono muy agradable, muy accesible y legible, así que muchas gracias. Entonces, comenzaremos desde el principio, supongo. ¿Cuál fue exactamente la inspiración para escribir un libro sobre los últimos 100 años de previsión?
Jonathon Karelse: Bueno, mi enfoque en la previsión y la práctica siempre ha sido entender qué va a tener un impacto en el negocio, y eso puede parecer obvio. Pero en muchas organizaciones, se hace la previsión porque se “supone que se debe hacer”, y no se le da necesariamente mucho pensamiento a por qué estamos haciendo la previsión. Como resultado, muchas sabidurías recibidas se transmiten de generación en generación en el negocio, y la gente simplemente sigue el proceso de previsión sin entender realmente cuáles son los elementos del proceso que están impactando positivamente en el negocio. ¿Hay cosas que podríamos hacer para mejorarlo y, lo más importante, por qué?
La pregunta del “por qué” es algo que supongo que no me consideraría un rebelde en sí, pero creo que siempre es bueno tener un poco de sano escepticismo o cinismo. A menudo me he preguntado por qué, y un libro que realmente me resonó cuando era estudiante de economía fue escrito por Bruno LaTour. Él es de esa familia LaTour. Es básicamente la oveja negra de la familia porque él es el que no hace vino, pero Bruno LaTour tiene un doctorado en epistemología de Le Cole de Mine, que, para aquellos de ustedes familiarizados con él, sabrán que no es una universidad mediocre. Pasó mucho tiempo investigando los modos de aprendizaje y los modos de conocimiento, y escribió un libro llamado “Science in Action”.
Este libro “Science in Action” examina algunos de los fundamentos de la caja negra de la ciencia, cosas como la estructura de doble hélice del ADN, y los trae de vuelta antes de que fueran hechos, antes de que fueran caja negra, y nos ayuda a entender el contexto histórico en el que nacieron. Al hacerlo, realmente ilustra que muchas de estas certezas científicas son mucho menos seguras de lo que pensamos. Es conveniente.
Conor Doherty: Entonces, cuando usas el término previsión, ¿a qué te refieres exactamente?
Jonathon Karelse: Esa es una gran pregunta. En su esencia, la previsión es hacer una suposición sobre cómo será el futuro. Esta suposición puede volverse más científica y guiada por los principios de la incertidumbre, pero en última instancia, estamos adivinando. Es importante no perder de vista este hecho, ya que se basa en la incertidumbre.
Conor Doherty: Eso es un punto interesante. Y Johannes, un principio fundamental de Lokad es abrazar la incertidumbre, ¿verdad?
Joannes Vermorel: Sí, pero para responder a la pregunta sobre la previsión, creo que hay una perspectiva clásica de la previsión que se remonta al comienzo del siglo XX, popularizada por personas como Roger Babson e Irving Fisher. Esta perspectiva aborda la previsión a través de series temporales. Tienes mediciones realizadas a lo largo del tiempo, como la cantidad de acero producido o la cantidad de papas cosechadas. Terminas con una secuencia de mediciones que puedes representar como una serie temporal. Lo obvio es extender la curva y ver hacia dónde va a continuación. Esta es la esencia de la perspectiva clásica de la previsión que surgió a principios del siglo XX. Sin embargo, es solo una forma de verlo.
La verdadera pregunta es si tiene sentido abordar el futuro simplemente extendiendo una serie de mediciones. No necesariamente está mal, pero es una forma de abordar el futuro con una opinión. Este enfoque ha sido muy propio del siglo XX, progresando y refinando métodos a lo largo del siglo. Sin embargo, es probable que haya nuevas formas de ver el futuro que surgirán en el siglo XXI, algunas de las cuales pueden ser mucho más extrañas que el enfoque clásico.
Conor Doherty: Johannes, en relación con ese punto sobre el enfoque clásico de la previsión, quiero devolvérselo a Jonathon. Algo que impregna todo tu trabajo es una recalibración de cómo las personas miden el éxito de una previsión. Parece que tu tesis es que no se trata solo de la precisión de la previsión en sí. ¿Podrías expandirte sobre eso, por favor?
Jonathon Karelse: Espero que sigamos con la idea del enfoque clásico versus diferentes filosofías de la previsión en el futuro. Pero mientras tanto, una de las cosas que me desconciertan es cómo la gente a menudo habla de saber que la previsión siempre estará equivocada como si fuera una carta de “salir de la cárcel”. Dirán: “Me estás pidiendo que haga una previsión. Haré lo mejor que pueda, pero la previsión siempre está equivocada, así que no me culpes cuando lo esté”.
Conor Doherty: …pero luego calibran estrategias operativas e incluso estrategias financieras en la esperanza de una previsión altamente precisa. Así que quiero ser muy claro porque hablé de esto en un par de conferencias en Ámsterdam la semana pasada, y tuve algunas personas muy enojadas, especialmente proveedores de software en esas sesiones, que decían: “Bueno, ¿de qué estás hablando? La previsión no importa”. Y quiero dejar claro: la previsión absolutamente importa en aplicaciones particulares porque hay lugares donde no importa desde el punto de vista del ROI.
Jonathon Karelse: Si eres un sastre a medida y puedes hacer tres trajes al año y tus clientes están dispuestos a esperar 10 años, no necesitas pasar mucho tiempo pronosticando la demanda. Estás en capacidad máxima. El ROI será mínimo. Para todos los demás, probablemente haya un ROI, pero el punto es que la precisión de la previsión para mí no es la métrica del marcador. La precisión de la previsión no es el objetivo. La precisión de la previsión es una métrica diagnóstica que podemos usar para identificar las causas fundamentales de los errores y las causas fundamentales de las suboptimalidades que luego podemos usar para recalibrar y optimizar para la mejora continua. El objetivo de la previsión es ganar dinero porque el objetivo de un negocio es ganar dinero, a menos que estés en un negocio que no lo haga. Y la previsión es una de las muchas herramientas que tenemos a nuestra disposición para hacerlo. En algunos casos, utilizada correctamente, es la mejor herramienta que tenemos. En otros casos, es una herramienta de apoyo y, en otros casos, probablemente no generará muchos beneficios. Pero entender tu negocio para comprender qué debes esperar de una previsión es lo que creo que importa mucho.
Joannes Vermorel: El forecast siempre está equivocado, y ahora la gente lo usa como una especie de “salvoconducto”. Realmente me encanta esta expresión. Lo interesante es que esta perspectiva no siempre fue prevalente. Sabes, Roger Babson era un inmenso fanático del trabajo de Sir Isaac Newton, e incluso entonces, existía esta increíble creencia en el poder absoluto de la ciencia, que podrías capturar cosas y tener algún tipo de modelado numérico, así como puedes predecir hasta el último segundo de arco la posición de Marte dentro de tres siglos.
Jonathon Karelse: Ambos creían, como yo finalmente creo, que las matemáticas sustentan todo y si tuviéramos la capacidad y suficientes datos, las matemáticas podrían explicarlo todo. Pero en la práctica, aún no estamos ahí. Y diría que eso es algo que no se entendía muy bien a principios del siglo XX. Hay órdenes de magnitud de dificultad que simplemente no están ahí, y por lo tanto, 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 darse cuenta de cuánto, para todas las cosas relacionadas con el conocimiento, hay campos enteros de conocimiento que escapan a nuestro alcance. No se trata solo de encontrar algo equivalente a la ley de la gravedad, donde en una sola ecuación puedes explicar una enorme cantidad de cosas. Ese era el tipo de pensamiento que existía en ese momento.
Conor Doherty: Para la audiencia, estamos hablando de estadísticos norteamericanos descritos en el libro que surgieron en los Estados Unidos debido al hecho de que había surgido una clase media…
Conor Doherty: Entonces, quienes poseen opciones de acciones, no opciones de acciones, lo siento, acciones, y querían tener una proyección sobre qué les dará los mejores rendimientos. Estaban muy interesados en todo ese tipo de pronósticos, y por lo tanto, fue algo que realmente surgió en los Estados Unidos y en América del Norte. El componente cultural o el componente geocultural geográfico es clave.
Joannes Vermorel: Eso es muy importante porque no fue particularmente impulsado por estadísticas en América del Norte. Como señalaste, Babson amaba a Newton y todo lo newtoniano. Tomó lo que era una comprensión bastante superficial de los principios newtonianos e intentó aplicarlo sin el beneficio de una comprensión estadística para el pronóstico. Básicamente, si algo sube durante un tiempo, bajará durante un tiempo porque eso es lo que sucede con la gravedad.
Jonathon Karelse: Irving Fisher, quien obtuvo el primer doctorado en economía de América del Norte, intentó aplicar su formación matemática a lo que hasta ese momento había sido una ciencia social. Comenzó a combinar algunas de las estadísticas, que hay que decir que estaban siendo impulsadas en Europa en lugar de en América del Norte, con el campo de la economía en América del Norte. Pero realmente, es en Europa durante ese tiempo donde vemos todos los avances que ocurren en las matemáticas que finalmente se utilizarían para el pronóstico.
Joannes Vermorel: Existía este enfoque determinista donde la gente creía que podías modelar el futuro de manera mecanicista. Este pensamiento duró mucho tiempo. Incluso las obras de ciencia ficción de los años 60, como la serie Fundación de Isaac Asimov, abrazaban la idea de la psicohistoria, una ciencia que puede predecir el futuro de manera muy mecanicista.
Jonathon Karelse: Eso es muy interesante porque esa es la perspectiva clásica. Pero debido al hecho de que las personas han estado operando durante décadas con pronósticos bastante inexactos, se han dado cuenta de que el pronóstico siempre está equivocado. Sin embargo, no han llegado a aceptar la consecuencia de que nunca será completamente correcto.
Joannes Vermorel: Ese es un punto interesante. Las personas han aceptado moralmente que el pronóstico siempre está equivocado y no despiden a las personas por eso, lo cual es bueno. Pero ¿debemos volver a desafiar en profundidad para abrazar este aspecto del pronóstico? 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. Gran parte de la ciencia que estaba surgiendo en los siglos XIX y principios del XX a nivel mundial, no solo en América del Norte, básicamente nació del impulso que comenzamos a ganar en el Renacimiento. Salimos de la Edad Oscura y comenzamos a descubrir que aplicando principios científicos, podemos comenzar a iluminar estas áreas oscuras.
Áreas de conocimiento y realmente elevarnos, y comenzamos a ponernos, creo, un poco arrogantes sobre el grado en que podíamos hacer eso. Comenzamos a creer en los siglos XIX y principios del XX que con suficiente esfuerzo, realmente no hay nada que no podamos aprender. Y eso informa dos temas muy importantes en el pronóstico. El primero es que un enfoque determinista tiene sentido con esa filosofía porque significa que si trabajo lo suficiente y soy lo suficientemente inteligente, llegaré a esa conclusión precisa en lugar de aceptar que es una tarea de tontos. Siempre voy a estar equivocado y los enfoques probabilísticos, que por cierto…
Jonathon Karelse: …y cualquiera de ellos. Bueno, Joannes Komagarov estaba haciendo todo su trabajo en estadísticas al mismo tiempo que estos primeros enfoques deterministas estaban naciendo. Así que no es como si tuviéramos que esperar otros cien años para la posibilidad de enfoques probabilísticos. Las matemáticas estaban ahí. La segunda pieza es creer que con suficiente esfuerzo, con suficiente enfoque, podríamos descubrir cualquier cosa. Nos lleva a lo que hoy es un tema muy candente: la inteligencia artificial. Ahora, la idea de que la inteligencia artificial puede resolver actividades no agregadas de valor o actividades rutinarias para los humanos no es nueva. De hecho, hubo una conferencia en la década de 1950 en el Dartmouth College donde un grupo de los primeros pensadores en inteligencia artificial establecieron 10 cosas que pensaban que la inteligencia artificial podría lograr en los próximos 10 años. Y no hemos hecho ninguna de ellas 70 años después. Eso no nos impide intentarlo, y creo que el intento es importante. Pero creo que en última instancia, la lección es que debemos aceptar que hay limitaciones últimas en nuestra capacidad para entender todo. Y una vez que entendemos eso, entonces nos abrimos a otros enfoques como, por ejemplo, el pronóstico probabilístico, que luego nos prepara para la realidad de que decimos que sabemos que siempre estaremos equivocados. Pero ahora, aceptando eso, comprendamos cómo se ve eso en términos de resultados comerciales reales y calibremos nuestras estrategias en el conocimiento de que estaremos equivocados en lugar de la esperanza de que de alguna manera vamos a tener razón.
Conor Doherty: Parece que has mencionado dos puntos muy interesantes, uno siendo esencialmente un precursor de una discusión sobre economía del comportamiento, creo que te refieres a la sobreconfianza, y el segundo sobre la inteligencia artificial. Supongo que en el Capítulo 6, creo que cinco o seis, así que los abordaremos por turno si no te importa. Primero, en cuanto a la economía del comportamiento, sé que eso es muy de tu especialidad. Si pudieras expandir un poco sobre cómo la economía del comportamiento realmente influye o interactúa con el pronóstico.
Jonathon Karelse: Claro. Joannes, al principio de la conversación, mencionó varias veces el enfoque clásico para el pronóstico. Y diría que el enfoque clásico para el pronóstico es en sí mismo un producto secundario del enfoque económico clásico o, más precisamente, neoclásico de los negocios en general. Y eso es nuevamente desde un punto de vista muy del siglo XIX y XVIII que si trabajamos duro y aplicamos principios matemáticos y científicos a esto, podemos entenderlo. Y 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, naturalmente se inclinarán hacia la que tenga la mayor utilidad. Y eso no necesariamente significa el mayor dinero, sino la que les brinde el mayor beneficio de algún tipo. E intuitivamente, eso parece correcto. El problema es, para cualquiera de los oyentes que haya estudiado economía, sabrá, especialmente econometría.
Conor Doherty: Aunque ciertamente, en la aplicación, hay principios de la economía neoclásica que se mantienen, debemos entender de manera más amplia cómo estos sistemas de demanda y oferta, fijación de precios y toma de decisiones son influenciados por impulsores psicológicos inconscientes, impulsores psicológicos inconscientes que en algunos casos son ambientales, en algunos casos están cableados evolutivamente, pero en todos los casos existen. No importa cuán libre de sesgos uno piense que es, no importa cuán objetivo uno piense que es, aún está sujeto a estos sesgos inconscientes que crean una lente a través de la cual se interpreta los datos.
Conor Doherty: En realidad, lo siento, en realidad dijiste en el libro que la persona promedio toma alrededor de 30,000 decisiones al día, y 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 como algo peyorativo, como un atajo. Cuando Joannes mencionó en los años 70 y 80 cuando comenzaron a surgir algunos de estos enfoques científicos o estadísticos más complicados para el pronóstico, sus defensores como George Box y Willem Jenkins, quienes muchos de sus oyentes sabrán que fueron coautores del método ARIMA, despreciaron los métodos más simples como el suavizado exponencial simple o el suavizado exponencial triple de Holt Winters como demasiado simples y simplemente una heurística, un atajo.
Jonathon Karelse: Pero lo que mostraron las primeras cuatro competencias M fue que, en muchos casos en la práctica, ser una heurística no es necesariamente malo. Y ahora, psicológicamente, hay un gran beneficio en poder tomar decisiones muy rápidamente desde un punto de vista evolutivo. Si soy consciente de que hay un tigre en mi visión periférica acechándome en el bosque, si me detengo y considero todas mis posibilidades y estoy pensando en todas las diversas cosas que el tigre puede hacer y todas las diversas opciones que puedo tener y luego trato de evaluar la más apropiada para mí, probablemente sea comido por un tigre. Y eso significa que no me reproduzco, y eso significa que mi ADN deja de existir. 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, tuve un resultado exitoso. Esto es lo que hice. Voy a hacerlo de nuevo”. Entonces no tenemos que enseñar a los bebés a retroceder ante las cosas que parecen serpientes; está incorporado. No tenemos que detenernos a pensar qué hacer cuando vemos un autobús que se acerca hacia nosotros; saltamos hacia atrás. Y las 30,000 decisiones que tenemos que tomar al día, la mayoría de ellas son navegadas por algún tipo de heurística. Si tuviéramos que pensar en todas ellas de manera objetiva, estaríamos paralizados.
Jonathon Karelse: El inconveniente de las heurísticas es que lo que creemos que se parece a algo que hemos visto antes no siempre representa realmente esa cosa. Y especialmente cuando se trata de interpretar datos, a menudo estamos sujetos a algo llamado sesgo de ilusión de agrupamiento. Entonces, cuando pagamos a las personas para que interpreten datos y hagan un pronóstico, sienten la necesidad de agregar valor. Les pagamos para que encuentren patrones, y encuentran patrones incluso cuando los patrones en realidad no existen. Es natural que esto suceda; no se les puede culpar. Pero hay una serie de sesgos que afectan nuestra capacidad de interpretar datos de manera racional y objetiva.
Conor Doherty: Jonathan, en ese punto, en realidad tienes un ejemplo en el libro de una investigación que publicaste en otro lugar. Presentaste datos aleatorios completamente sanitizados a un grupo de personas y les pediste que adivinaran si la línea 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 cualquier persona que vaya a hacer finalmente nuestro ensayo de sesgo. Gran parte de los datos presentados son estocásticos. Nos dieron una serie de conjuntos de datos estocásticos diferentes y queríamos asegurarnos de que no tuvieran tendencia o estacionalidad inadvertida en ninguno de ellos. Estos son tan estocásticos como se puede ser; no hay posibilidad de que ningún paquete estadístico encuentre tendencia, estacionalidad o cualquier otro patrón en estos conjuntos de datos.
Cuando presentamos el conjunto de datos sin editar ni enmarcar y les preguntamos a las personas hacia dónde creían que iría la demanda, tuvimos una división bastante equitativa entre alza, baja y sin cambios. No tuvimos muchas personas que dijeran que no lo sabían, lo cual sería una respuesta completamente apropiada porque eso representaría el hecho de que no saben nada sobre lo que significan los datos. Ni siquiera tienen la ventaja de poder ejecutar una herramienta estadística para ver si hay alguna tendencia o estacionalidad, y por cierto, no se puede predecir el futuro de todos modos. Esa sería la respuesta correcta, pero muy pocas personas realmente lo dicen.
Luego presentamos el mismo conjunto de datos más tarde en el ensayo con un montón de otras preguntas en medio, pero esta vez venía 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 ninguna relación con los datos. Lo que encontramos es que aproximadamente el 70 por ciento de las personas se vuelven más seguras de la decisión que van a tomar. Cualquiera que fuera un “no lo sé” típicamente sale de ese grupo, y la mayoría de las personas que estaban “sin cambios” pasan a la categoría “arriba” o “abajo”.
Depende de cómo lo enfoquemos. Si tenemos un enfoque positivo, vemos que muchas personas se inclinan hacia ese lado. Esa es una idea realmente importante desde el punto de vista práctico de la previsión porque los datos no han cambiado. En el primer ejemplo, el resultado probablemente sea el más apropiado que se podría esperar de un humano. Una computadora lo habría hecho de inmediato. Pero una vez que acompañamos eso con una historia, de repente toda lógica y 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 creen planes de demanda, pero lo hacen dentro del contexto más amplio de una organización que tiene sus propios sesgos culturales y sesgos basados en el negocio hacia el crecimiento y los resultados positivos. Entonces no es realmente sorprendente que cuando medimos el efecto de la intervención humana en las previsiones basadas en computadora, la mayoría de las veces veamos un sesgo positivo. En algunos casos, incluso hay presión manifiesta para tener un sesgo positivo en las organizaciones, presión para pronosticar, planificar y alcanzar ciertos objetivos. Básicamente se les dice a las personas que cambien.
Conor Doherty: El pronóstico, pero incluso sin esos sesgos manifiestos, algunas investigaciones de Len Tashman y, uh, oh, se me olvidarán todos sus nombres, Spheros Mocker Docus, um, Paul Goodwin. Su investigación a largo plazo muestra que probablemente tenemos cuatro veces más probabilidades de hacer ajustes positivos a un pronóstico que ajustes negativos, lo cual no tiene sentido si partimos de un pronóstico impulsado estadísticamente. El residuo debería distribuirse normalmente a ambos lados de ese pronóstico. Si requiriera un ajuste humano con el tiempo, deberíamos equilibrarnos. Pero debido a este sesgo inconsciente, donde somos mucho más aversos al riesgo que buscadores de recompensas, y nuevamente hay razones evolutivas para eso, nos gusta materializar las posibilidades de alza mucho más de lo que nos gustaría materializar el riesgo a la baja, y terminamos con las huellas dactilares de las personas en el sesgo positivo en las previsiones. ¿Encuentras que quieres que sea el caso cuando haces pronósticos?
Joannes Vermorel: Sí, quiero decir, hace una década, cuando Lokad todavía estaba haciendo, diría, pronósticos clásicos, comenzamos como proveedor de software haciendo pronósticos clásicos. Ahora mismo, diría que tenemos un elemento de modelado predictivo en la caja de herramientas, pero la forma en que operamos, podemos discutir eso. Es muy, muy extraño y fuera del contexto de lo que se consideraría relevante sobre estos árboles de tu futuro a menos que comiences a hablar sobre la historia del futuro para el siglo XXI. Pero volviendo a esas experiencias, es muy interesante porque tuvimos, um, experiencias muy similares, especialmente con nuestros clientes. Tuvimos una serie de clientes, uh, todavía tenemos en el comercio minorista, y cuando se trataba de pronosticar promociones, una de las cosas que frecuentemente obteníamos es que el aumento de la promoción es limitado. Sabes, sí, vas a tener como, digamos, un orden de magnitud, un hipermercado, sí, tal vez, sabes, va a mejorar aumentar las ventas en un 30-50%. Eso es mucho, pero está muy por debajo del tipo de “vamos a hacer 10 veces para este producto” que la gente esperaba.
Y lo interesante fue que, para esas promociones, hicimos una Serie Mundial de referencias con equipos que en realidad solo estaban modelando un aumento súper simplista para la promoción en comparación con personas que estaban micro-optimizando, diciendo: “Ah, conozco exactamente esta marca de chocolate”, etc. Y mira lo que sale a la cabeza en términos de precisión con, um, diría modelos ridículamente simples, sabes, cosas del orden de la complejidad de un movimiento exponencial, pero solo para el aumento de una promoción, que es solo un factor constante más 50, y ya está. Y eso fue realmente mejor, pero mucho mejor que las personas que estaban micro-optimizando. Y de hecho, 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 están promocionando; ¡van a hacer 10 veces!” Y nosotros pensamos: “Sí, probablemente no. Probablemente vaya a ser como más 50. Sé que te vas a decepcionar.”
Pero luego te encuentras con cosas súper extrañas donde, por ejemplo, tienes un pronóstico que es completamente absurdo, como, dices que harás 10 veces, y no haces 10 veces, pero comprar 10 veces es en realidad la buena jugada porque el proveedor le da al minorista un descuento masivo. Entonces, básicamente, es una especulación sobre el valor del inventario. Y si tu proveedor te da un 25%
Conor Doherty: Lo venderás con el tiempo, podría resultar ser una decisión inteligente, pero ves que había algo muy extraño en términos de pensamiento. Eso fue, voy a empezar haciendo un pronóstico muy absurdo como solía hacer, y luego debido al hecho de que usualmente con las promociones estoy comprando el stock con un gran descuento del proveedor como una forma de poder poner un gran descuento en el precio de las cosas, termino haciendo una buena operación con el tiempo.
Joannes Vermorel: Pero ves, la deconstrucción es, hay un elemento de racionalidad. Terminas teniendo razón por las razones equivocadas.
Jonathon Karelse: Exactamente, y eso es muy interesante. Sabes, esas son las cosas donde, no es, y nuevamente, el hecho de que las personas puedan ser irracionales no significa que no puedas aplicar la razón sobre eso para modelar esta irracionalidad. Absolutamente, es irracional, pero no es, y por eso diría, mi propia perspectiva sería que no hay límite para la ingeniosidad humana. Sabes, aparentemente esa es mi creencia, eso no es un elemento de la ciencia. Mi creencia fundamental es que no hay límite para la cantidad de ingeniosidad humana, pero no te equivoques, algunas cosas que deben abordarse requieren una cantidad absolutamente inmensa de ingeniosidad humana, y probablemente, sabes, cosas que son de, y estamos hablando de siglos de trabajo. Entonces, debemos ser muy modestos en este gran viaje de la ciencia que comenzó hace unos siglos. Esto es solo el comienzo, y probablemente hay clases enteras de conocimiento que ni siquiera sospechamos que puedan existir.
Joannes Vermorel: Sí, y estoy completamente de acuerdo contigo, Jonathon. También es una creencia fundamental mía.
Jonathon Karelse: Creo que fue Pascal quien dijo: “Si existe, se puede cuantificar”. Y por supuesto, hay limitaciones en nuestra capacidad para hacer eso, pero creo que en última instancia, con suficiente capacidad, todo se puede cuantificar y entender. Pero obviamente, el problema es que estamos muy lejos de esa capacidad, que en la práctica, comenzar cualquier tipo de viaje basado en negocios con esa filosofía es una locura porque estamos demasiado lejos de la meta. Pero, es un seguimiento importante de la idea de que el pronóstico siempre está equivocado y el punto que Joannes hizo sobre el micromanejo de los pronósticos. Cuando George Box dijo: “Todos los modelos están equivocados, pero algunos modelos son útiles”, de ahí viene la idea de que el pronóstico siempre está equivocado. Hay otras dos cosas que dijo y que la mayoría de las personas ignoran. La primera fue: “Dado que todos los modelos están equivocados, pero algunos son útiles, apunta a la parsimonia en la selección del modelo”. En otras palabras, vas a estar equivocado sin importar qué, así que especialmente, los economistas que construyen un modelo complicado y enorme aún terminarán con algún grado de error. Entonces no prediques la necesidad de un modelo complejo enorme que te dará precisión porque aún estarás equivocado. Pero lo segundo, y esto es, para mí, lo más importante en la práctica, es “No te preocupes por los ratones cuando hay tigres alrededor”. La cantidad de veces que trabajamos con organizaciones donde dicen que saben que el pronóstico siempre está equivocado, su precisión de pronóstico en la práctica es abismal, pero pasamos horas debatiendo uno o dos por ciento en un horizonte de siete u ocho meses en un SKU es una locura. La precisión de tu pronóstico en ese horizonte a nivel de SKU es, por ejemplo, del 30 por ciento.
Conor Doherty: Ajustarlo en uno o dos por ciento es insignificante. Vas a estar equivocado, y vas a estar tan equivocado que el tiempo que tomaste para hacer ese ajuste del uno o dos por ciento es una completa pérdida de tiempo. Solo deberías estar buscando aplicar esa capacidad infinita de ingenio que también creo que los humanos tienen en aplicaciones específicas donde la probabilidad de ganancia es mayor. Y eso es cuando A) entiendes algo con certeza sobre el futuro que no se refleja en la historia, B) el valor de lo que estás tocando es lo suficientemente valioso como para justificar la intervención, y en última instancia C) la escala de esa intervención es lo suficientemente grande como para justificarla porque de lo contrario, aún terminas dentro de los márgenes de error y tienes existencias de seguridad u otro mecanismo que se encarga de ello de todos modos.
Joannes Vermorel: Eso es muy intrigante porque eso refleja mucho el tipo de viaje que Lokad ha atravesado. Hoy en día, la forma de abordar eso es primero abordar la anticipación del futuro por sus consecuencias. Es por eso que ahora es casi como una parte dogmática del dogma de Lokad decir que no se permiten pronósticos desnudos. Entonces, no se te permite hacerlo, y eso se refuerza. Obviamente, puedo hacer cumplir eso en Lokad, siendo el CEO. La idea es que cuando haces un pronóstico desnudo, estás, por definición, aislado de las consecuencias del mundo real. El pronóstico en sí mismo 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 a la realidad. Es algo muy abstracto.
Y nuevamente, las personas solo están dispuestas a participar en este tipo de ejercicio debido al hecho de que la previsión clásica se ha vuelto bastante rara. Hay personas que tienen pronósticos en su currículum, como “estoy certificado para hacer pronósticos”. Hay pronósticos, y demand planner es una cosa. Tienen posiciones y procesos. Entonces, ves estas cosas que son muy abstractas, que eran una forma de abordar el futuro, se han convertido en algo real a través de posiciones laborales, componentes de software. Pagas dinero por licencias para obtenerlos, por lo que ves, esa es una forma de hacerlo real. Si pagas por algo, ciertamente existe.
Y así, el enfoque, si vuelvo a esta idea de pronóstico desnudo, la respuesta que Lokad tuvo fue que no, tenemos que tratar el pronóstico como una técnica entre muchas otras, técnicas numéricas que 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 que es muy tangible, como producir algo, mover algo de un lugar A a un lugar B, o producir algo para deshacerte de algunos materiales y obtener un resultado, entonces no se te permite tener un modelo predictivo. Eso es lo tentador; tan pronto como tienes una serie de tiempo o cualquier tipo de datos, siempre puedes diseñar un modelo.
Conor Doherty: Joannes, ¿puedes brindar alguna idea sobre los desafíos de usar proyecciones en la optimización de la cadena de suministro?
Joannes Vermorel: La belleza de las proyecciones es que son factibles, ya sea que sean relevantes o sabias. Sin embargo, el problema es que cuando tienes un martillo en la mano, todo parece un clavo. Si tienes una certificación en técnicas de pronóstico, puedes tomar cualquier conjunto de datos y comenzar a aplicar tus modelos. Nuestra política en Lokad es “no se permiten pronósticos desnudos” porque son demasiado peligrosos. Si no conectas el pronóstico con algo muy real, estarás sujeto a un sesgo intenso o incluso a problemas burocráticos. Cuando presentas una métrica, puedes tener todo tipo de cosas dentro de la organización para optimizarla. Teniendo en cuenta que las cadenas de suministro son burocráticas por naturaleza, alinear la oferta y la 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 cadenas de suministro son construcciones humanas compuestas por muchas personas, software y procesos, y esto crea un terreno fértil para problemas, especialmente con los pronósticos.
Conor Doherty: Jonathan, ¿cómo mejora el proceso de pronóstico en términos concretos una mayor comprensión de la economía del comportamiento dentro de la organización?
Jonathon Karelse: Diría que hay dos formas generales en las que mejora el proceso. En primer lugar, muchas organizaciones creen que los seres humanos no afectan el proceso de pronóstico, por lo que intentan mantener el juicio humano lo más alejado posible del proceso de pronóstico. Creen que, como resultado, son más inmunes a los sesgos y a los juegos que tienen lugar en lo que Joannes llamó acertadamente un proceso muy burocrático. Sin embargo, yo argumentaría que incluso en situaciones en las que creemos que hemos mantenido a los seres humanos alejados del proceso, todavía hay huellas humanas por todas partes. Hay influencia humana en la selección de datos, en la selección de software y, lo más importante, en las acciones que tomamos como resultado del proceso de pronóstico.
El pronóstico en sí mismo es solo una idea, un conjunto potencial de instrucciones o un mapa. Aún tenemos que decidir qué hacer con él después, y eso requiere que las personas en la cadena de suministro tomen medidas. Comprender en qué medida y de qué manera estamos sesgados nos ayuda a comprender las posibles trampas en nuestro proceso. Trabajar hacia atrás desde los resultados potenciales hacia 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 cadena de suministro y la planificación nos ayudan a comprender con aún mayor perspicacia cuáles podrían ser esos resultados. Es más probable que una organización tenga un proceso de pronóstico o planificación de la demanda que tenga cierto grado de automatización y elementos impulsados por computadora, pero también, por diseño, la integración del juicio humano. Creo que, sujeto a pautas específicas, hay valor con el tiempo en la integración del juicio, sujeto a criterios específicos. Pero se ayuda a maximizar el potencial de que ese juicio humano agregue valor si, nuevamente, se comprende en qué medida las personas que brindan ese juicio tienen sesgos. Es en las organizaciones que o bien activamente no quieren creer que tienen sesgos o son inconscientes del hecho de que tienen sesgos, donde es más probable que se transmitan sesgos al proceso de planificación de la demanda, ya sea a través de la integración activa de juicios o con estas huellas humanas que existen en todas partes. Cuando comienzas a analizar los sesgos que existen en tu organización, puedes comenzar a proporcionar límites que mitiguen su impacto. Siempre estará presente. Quiero decir, el juicio humano siempre será defectuoso, pero se trata de equilibrar el potencial de beneficio de las ideas humanas en casos particulares frente a la certeza de que con esas ideas vendrá la fragilidad que afecta a todos nosotros debido a la imperfección de cómo funcionan nuestras mentes.
Joannes Vermorel: Estoy de acuerdo con la idea, que también es mi experiencia, de que si ni siquiera reconoces el hecho de que podrías tener sesgos, es una receta muy probada para maximizar la cantidad de sesgos que tienes. Para las organizaciones, esa es muy en gran medida mi propia experiencia. Las cosas de las que diría, y si tengo que desglosar aún más esta idea de abordar el futuro, 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 pronóstico sin tener en mente el tipo de solución o mecanismo con el que lo estoy haciendo. El sesgo se refiere al hecho de que tienes cosas que son demasiado altas o demasiado bajas, y esta es una perspectiva muy unidimensional con la idea de que estás operando con una serie de tiempo.
Los problemas que he visto, y que ha sido la evolución tecnológica de Lokad, es que si quieres transmitir información sobre el futuro, hay clases enteras de cosas que no se pueden expresar con 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, literalmente es una secuencia de mediciones que se extiende hacia el futuro. Solo para dar un ejemplo, si estoy mirando mis ventas de un producto, podría pronosticar mis volúmenes de ventas, pero mis volúmenes de ventas dependen del precio que practico, y el precio no es algo que se me dé, es una decisión para mí. Entonces, incluso si pudiera tener un pronóstico muy preciso, seguiría siendo incompleto.
Conor Doherty: Algo que sería un poco extraño tendría que ser matemáticamente una función que diga que si hago esto con el precio, entonces este sería el resultado. Entonces, aquí estamos tocando de repente el hecho de que incluso si estamos mirando desde esta perspectiva muy determinista de solo tener sesgo y demás, solo estoy señalando que hay elementos donde esta perspectiva de series de tiempo es muy débil para tener en cuenta cosas que son muy importantes. No se trata solo de tener algo que sea demasiado alto o demasiado bajo, es casi una dimensión diferente que simplemente no se tiene en cuenta. Entonces, aquí solo estoy dando la idea de poder dar forma literalmente al resultado mediante otras acciones. No se trata solo de observar el movimiento de los planetas; puedo actuar y modificar el futuro del resultado. Pero también, 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 me dedico al mantenimiento de aviación, quiero mantener mis líneas de aeronaves. Puedo pronosticar la demanda de piezas, pero lo que sucede es que cuando reparo una aeronave, hay una lista de piezas que necesito cambiar. Entonces, estoy simplificando el esquema, una aeronave entra al hangar para mantenimiento, las personas hacen un diagnóstico, hay una lista de piezas que necesitan cambiar y hasta que cada una de esas piezas haya sido cambiada, la aeronave no puede volar nuevamente. Está en tierra. El hecho de que pueda pronosticar todas las piezas de forma independiente no me dice nada sobre la disponibilidad conjunta de todas las piezas. En teoría, si todos mis pronósticos fueran absolutamente perfectos para todas las piezas, entonces sí, el conocimiento conjunto también sería perfecto. Pero tan pronto como tienes incluso una incertidumbre muy pequeña en cada pieza, sabiendo que para la audiencia, una aeronave consta de aproximadamente 300,000 piezas distintas, incluso una incertidumbre muy pequeña sobre el tipo de necesidad que tienes para cada pieza significa que la incertidumbre que tienes para la disponibilidad conjunta de todas las piezas que necesitas 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. Entonces, esa es otra clase de problemas donde el tipo de problemas que tenemos, si volvemos a los sesgos, es que tienes el tipo de sesgo de pronosticar demasiado alto o demasiado bajo, pero también tienes otras clases de problemas muy humanos que simplemente ni siquiera están mirando en la dirección correcta o ni siquiera están mirando con la estructura adecuada que te daría una respuesta relevante. Y esos son, yo diría, la forma de verlo muy del siglo XXI, y son mucho más desconcertantes.
Jonathon Karelse: Estoy totalmente de acuerdo.
Conor Doherty: Bueno, eso nos lleva, creo, a discutir el futuro, o los próximos cien años, el futuro del futuro, el futuro de los futuros. Entonces, Jonathon, iré primero contigo. En términos de desarrollo de IA y tecnología, ¿ves que eso ayude a las personas en el pronóstico o que en última instancia las reemplace?
Jonathon Karelse: Cuando a Daniel Kahneman le preguntan sobre si la IA reemplazará a las personas, por un lado tiene la esperanza de que lo haga.
Conor Doherty: Somos tan malos tomando decisiones objetivas, pero por otro lado, está seguro de que nunca sucederá. Y nuevamente, esto es, para mí, la importancia de separar lo teórico o filosófico de lo práctico. En el lado teórico, debería ocurrir en algún momento en el futuro, en algún punto donde nuestra capacidad para procesar datos, nuestra capacidad para comprender a un nivel mucho más matizado y detallado cómo funciona el pensamiento humano y qué es en realidad la inteligencia, nos permitirá dar lugar a sistemas complejos como los que los participantes de la conferencia de Dartmouth en los años 50 buscaban cuando pensaban que podrían replicar el cerebro humano en cuestión de décadas. Eso es en el lado teórico.
En la vida real, en mi vida, en tu vida, no creo que eso suceda. Y puedo decirlo con cierto grado de certeza solo al mirar la trayectoria de lo que hemos visto en los últimos 70 años de IA. Ciertamente, hoy estamos aprendiendo mucho. La potencia de procesamiento informático está creciendo de manera exponencial, al igual que la cantidad de datos disponibles, pero eso aún no ha producido nada parecido al tipo de avance en la IA en la práctica que reemplace a los humanos. ¿Puede ayudarnos? Por supuesto. Hoy en día hay todo tipo de ejemplos de cómo la aplicación incipiente de la IA está teniendo beneficios en muchas áreas diferentes, pero la brecha entre reemplazar a las personas y ayudar a las personas sigue siendo un abismo enorme.
Volviendo a algo que Joannes mencionó al principio y con lo que estoy muy de acuerdo, es que la capacidad humana para la ingeniosidad es esa parte que creo que no corremos el peligro de que los ordenadores o la IA reemplacen. Creo que el valor de la humanidad no radica en poder responder preguntas complejas porque podemos utilizar correctamente los ordenadores para resolver preguntas complejas. Creo que donde somos más valiosos es al plantear preguntas interesantes e importantes en primer lugar. Solo al plantear esas preguntas podemos aprovechar el total de la tecnología actual para encontrar la respuesta, pero es al plantear esas preguntas de alto nivel que los humanos siguen siendo una parte fundamental del proceso.
¿Quieres añadir algo, Joannes? Te lo paso a ti.
Joannes Vermorel: Mi opinión es que lo que la gente ve como pronóstico como una actividad humana, en el sentido clásico, como tener un ejército de empleados o empresas que tienen sus procesos de S&OP respaldados por cientos de personas que procesan hojas de cálculo y generan números, tengo muchas esperanzas de que desaparezca en mi vida. La forma en que trabajamos en Lokad me da muchas esperanzas porque, para los clientes a los que servimos, prácticamente lo hemos eliminado.
Pero la forma en que lo hemos hecho, y ese es el tipo de producto, no es eliminando personas o teniendo algún tipo de inteligencia artificial. La forma en que lo hicimos fue centrarnos en esas decisiones y tener ingenieros inteligentes que diseñen recetas numéricas. Ese es el término típico que uso porque algunas pueden ser heurísticas, algunas pueden ser incluso más mundanas, solo filtros y cosas por el estilo. Incluso eso ni siquiera es una heurística, es algo aún más básico.
Conor Doherty: Entonces, diseñando recetas numéricas que simplemente funcionan a gran escala para esas empresas, las cosas cotidianas mundanas, y eso ahora puede ser completamente automatizado. ¿Significa eso que hemos eliminado a los humanos de la ecuación?
Joannes Vermorel: No realmente, porque en primer lugar, las recetas numéricas son en gran medida un producto humano. Se necesita un ingeniero humano realmente inteligente para crearlas, y el mantenimiento también es completamente impulsado por humanos. Las recetas numéricas son solo una especie de conocimiento de qué tipo de procesos numéricos funcionan a gran escala para generar decisiones razonables. ¿Hay alguna inteligencia en las recetas numéricas? Absolutamente no. La receta numérica es un asunto muy mecánico. Sí, puede haber elementos de aprendizaje automático, pero eso son solo técnicas estadísticas. Siguen siendo increíblemente mecánicos por naturaleza.
Conor Doherty: Entonces, ¿dónde es muy interesante?
Joannes Vermorel: Si comienzas desde esta perspectiva, lo que terminas teniendo es aún un proceso que automatiza algo que mantiene ocupadas a cientos de personas en grandes empresas. Sin embargo, al final del día, aún tienes un equipo de personas que están a cargo de esas recetas numéricas que no funcionan por sí mismas. La clave es que los humanos tengan la capacidad mental para pensar, y si están completamente enterrados en los detalles minuciosos de cosas súper complejas en la cadena de suministro, se vuelve difícil.
Un ejemplo de algo súper complejo en la cadena de suministro sería tener 50 millones de SKU que necesitan algún tipo de micromanejo, 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 micromanejar diariamente. Mi esperanza es que las previsiones minuciosas necesarias para alimentar este tipo de decisión sean completamente automatizadas en el sentido de la ejecución diaria. Pero para un horizonte más largo, como de un año al siguiente, donde la propia empresa evoluciona, donde su mercado evoluciona, donde las preguntas correctas a responder evolucionan, no creo que veamos que se respondan a través de máquinas en mi vida.
Conor Doherty: Entonces, ¿qué significa eso para las empresas en la práctica?
Joannes Vermorel: Creo que esta automatización reemplazará capas del ecosistema donde las personas están haciendo cosas que tienen muy poco valor agregado, especialmente bajo el paraguas de S&OP. Algunos argumentarían que tal vez 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 la cadena de suministro, que hay muchas grandes empresas con equipos enormes de personas que simplemente están moviendo números de arriba a abajo, y sospecho que eso podría desaparecer. No porque tengamos alguna herramienta fantástica que elimine la necesidad de humanos, sino porque con mejores herramientas, podemos mejorar la eficiencia de la gestión de la cadena de suministro.
Jonathon Karelse: Estoy de acuerdo con Joannes. A medida que continuamos desarrollando mejores herramientas y tecnologías, veremos un cambio en los roles que desempeñan los humanos en la gestión de la cadena de suministro. Si bien la automatización puede encargarse de muchas de las tareas mundanas y repetitivas, la experiencia humana seguirá siendo vital para la estrategia, la innovación y la adaptación a las condiciones del mercado en constante evolución.
Conor Doherty: Y con mejores técnicas, podemos tener algunas personas inteligentes que puedan diseñar cosas que funcionen a gran escala. Bueno, si te lo devuelvo, Jonathan, ¿tienes algo que responder a eso? Porque quiero darte la última palabra al respecto.
Jonathon Karelse: Quiero decir, puedo tener la última palabra, pero estoy de acuerdo en líneas generales con todo lo que está diciendo, seguro. Y tampoco me dejaré llevar por el debate de “S&OP”.
Conor Doherty: Entonces sigamos adelante un poco. En cuanto a lo que viene, si tuvieras que escribir una segunda edición de “Historias futuras de la historia del futuro Parte dos del siglo XXI”, ¿hay alguna idea específica en la que te enfocarías?
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 locas que he visto a la gente hacer en la cadena de suministro a lo largo de mi carrera. Quienes, a pesar de todas las montañas de evidencia de lo loco que sería hacerlo, persisten en hacerlo de todos modos. Pero obviamente, todos ustedes clientes actuales, no se preocupen, no estarán en él. Pero no, quiero decir, solo han pasado unos meses desde que publiqué este libro, así que no creo que haya ninguna de estas nuevas, como dijo Joannes, sistemas de conocimiento aún no descubiertos o tipos de ciencia en los que necesite empezar a pensar.
Conor Doherty: Bueno, en ese sentido, y es algo que no tuve la oportunidad de preguntar antes, Joannes, también te lo pregunto a ti. 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 estamos hablando, y te encuentras con ese nivel de resistencia del que hablamos antes debido a sesgos inconscientes, ¿cómo aprovechas la economía del comportamiento para superar eso, para tratar de evitar los tipos de ejemplos locos a los que acabas de aludir?
Jonathon Karelse: Voy a rechazar parcialmente la premisa de tu pregunta. No creo que intente utilizar 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 software. Y para ser claro, no estoy diciendo que el software no sea importante; absolutamente lo es, es un habilitador fundamental. Pero debido a que nos dedicamos a evaluar procesos y problemas, y en última instancia a diseñar soluciones, no suelo estar en la posición de tratar de empujar a los ejecutivos de alto nivel en una dirección determinada. Es más bien una comprensión de, dada la cultura de su empresa, dada 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 en contra de la idea de renunciar a una previsión y realmente quieren que 300 vendedores pasen tiempo cada mes ajustando una previsión, eso no es necesariamente una colina en la que deba morir. Quiero decir, está bien. Si esto sigue siendo nuestra realidad, hagámoslo parte del proceso, pero lo más importante, midamos el valor comercial de esa actividad. Y a menudo llegarán a la conclusión ellos mismos. La razón por la que existen muchas de estas actividades locas es porque
Conor Doherty: El legado en estas organizaciones es algún tipo de medida que les permite persistir. Es una medida que no deja claro lo loca que es la actividad. Las propias medidas a menudo son locas porque se requiere una medida loca para justificar un proceso loco. Cuando vas a una organización y ves la precisión de la medición en el valor en dólares a nivel superior y promediada en tres meses, sabes que es el resultado de que no quieren saber qué tan malo es el proceso de pronóstico. Porque si lo estuvieran usando para su propósito previsto, que es diagnóstico en lugar de un tablero de puntuación, nunca agregarían varios meses y nunca agregarían tan alto en una jerarquía. Estoy divagando un poco, pero la conclusión es que no estoy tratando de llevarlos a una conclusión si realmente están atrapados en un proceso loco. Solo les ayudamos a comprender midiendo el beneficio comercial de ese proceso loco, si quieren seguir haciéndolo o no, y a menudo llegarán a la conclusión por sí mismos.
Joannes Vermorel: Obviamente, al estar en el lugar de un modelo de software, mi enfoque suele ser bastante diferente. Mi enfoque generalmente consiste en destacar ejemplos lo más simples posible, donde el tipo de pronóstico simplemente no puede ofrecer lo que están buscando. A veces, hay situaciones muy simples. En la aviación, si haces las cosas a nivel de pieza, eso aún no te da ninguna información sobre si vas a reparar la aeronave. Si vas al comercio minorista y dices que la tienda tiene toneladas de productos que son muy buenos sustitutos entre sí, tienes otro tipo de problemas. No me va a dar un buen indicador en absoluto. ¿Tengo mucho éxito con este tipo de organización? No lo sé. Tal vez tu enfoque, que es hacer que ellos mismos realicen su propio viaje, sea más eficiente. Es un viaje difícil. Uno de los puntos que hacen interesante la experiencia de Lokad, no necesariamente más fácil, pero interesante, es que al centrarnos en las decisiones, las cosas que estamos haciendo en términos de modelado predictivo son simplemente muy extrañas, positivamente. Hay este viaje que veo donde los pronósticos más útiles se vuelven cada vez más extraños. Sospecho que las historias del futuro del siglo XXI serán muy extrañas, un poco como la extrañeza que surge con la mecánica cuántica. Es todo un conjunto de ideas que simplemente no son intuitivas en absoluto. Vienen con matemáticas que son simplemente extrañas. Cuando aplicas eso, terminas con cosas aún más extrañas de lo esperado.
Jonathon Karelse: Bueno, caballeros, creo que podría darle fin a esto. Pero antes de irnos, Jonathan, si tuvieras un consejo para darle a todos los profesionales de la gestión de la cadena de suministro o a cualquier practicante de la cadena de suministro, ¿cuál sería?
Jonathon Karelse: Compra el libro, disponible en tiendas. Ese es un consejo que tal vez mi contador daría. Si es un solo consejo, es preguntar por qué. Nunca te conformes con solo saber; trata de entender por qué. De hecho, tenemos una cita muy buena, y no sé si la escribiste tú, pero decía “un mal pronosticador con datos es como un borracho con una farola: lo usa para apoyarse en lugar de iluminar”. 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 ver. Nos vemos la próxima vez.
