Riesgos en la Gestión de supply chain

00:00:00 Introducción y definición de términos
00:02:40 Incertidumbre y coste de salvaguardar en supply chain
00:03:54 Gestión del riesgo y minimización del desperdicio
00:05:30 Riesgo irreducible y oportunidades en supply chain
00:07:37 supply chain vs perfección de la manufactura
00:09:35 Riesgos y oportunidades en supply chain y competidores
00:14:09 Problemas con el enfoque estático en supply chain
00:15:56 Errores predecibles como práctica empresarial
00:18:46 Ingeniería ágil en supply chain
00:21:20 Valor en dólares del riesgo y las oportunidades
00:23:36 Optimización financiera de los riesgos en supply chain
00:26:37 El enfoque de Lokad para el forecast probabilístico
00:29:53 Riesgo de interrupción masiva y desastres regionales
00:31:59 Incorporar riesgos en las decisiones diarias de supply chain
00:34:08 Riesgo de perder grandes clientes y correlación de riesgos
00:37:03 Distorsión en las proyecciones cartográficas y modelos matemáticos
00:42:31 Construcción de forecast y riesgo en series de tiempo
00:45:20 Optimización estocástica y enfoque probabilístico
00:48:36 Descomponer los impulsores económicos para decisiones de supply chain
00:51:44 Las empresas a menudo se sorprenden por eventos pasados
00:57:00 Forecasts dañinos y entropía cruzada en forecast
01:00:00 Importancia de evaluaciones de riesgo accionables
01:06:49 Riesgos financieros de la distribución de inventario
01:13:54 Costo de las promociones y dependencias de IT como riesgo
01:17:22 Dificultad de modelar la psicología del cliente
01:24:26 Evaluando forecasts de series de tiempo
01:27:33 Riesgos en el software convencional de supply chain
01:29:30 Reflexiones finales y llamado a la acción

Resumen

Conor Doherty, presentador de LokadTV, y Joannes Vermorel, fundador de Lokad, discuten los riesgos inherentes en supply chain management. Vermorel enfatiza que el riesgo principal es la incertidumbre del futuro, que es irreducible y está fuera de control. Señala que cada decisión implica un trade-off entre riesgo y recompensa, y que el riesgo cero es inalcanzable. Vermorel también destaca las oportunidades que pueden surgir de estos riesgos, como capitalizar en los faltantes de stock. Aboga por una mentalidad ágil y oportunista, y el uso de forecast probabilístico para mitigar el riesgo. Vermorel y Doherty concluyen, coincidiendo en que incluso las empresas pequeñas pueden beneficiarse de la gestión del riesgo, lo que conduce a aumentos en los márgenes y en el flujo de caja.

Resumen Ampliado

En una conversación entre Conor Doherty, el presentador, y Joannes Vermorel, el fundador de Lokad, una empresa de software especializada en la optimización de supply chain, se explora en profundidad el tema de la gestión del riesgo en supply chains. Vermorel explica que la fuente principal de riesgo en supply chains es la incertidumbre del futuro. A diferencia de la manufactura, donde los riesgos pueden eliminarse perfeccionando el proceso, los riesgos en supply chains dependen de condiciones futuras que son desconocidas e irreducibles.

Vermorel enfatiza que cada decisión en la gestión de supply chain implica un trade-off entre riesgo y recompensa, y que la incertidumbre sobre el futuro es irreducible. También señala que el riesgo cero no existe en supply chains. Incluso con un proceso de manufactura perfecto, siempre existe un riesgo, en porcentaje de dos dígitos, de que un producto no se venda en el mercado dentro de cinco años.

Vermorel reitera que la fuente de riesgo en supply chains es la incertidumbre del futuro. Explica que este riesgo es irreducible y que, a diferencia de otras áreas como la contabilidad, donde se pueden eliminar los riesgos, los riesgos en supply chains están fuera de control y solo pueden mitigarse. Además, señala que, aunque existen riesgos en supply chains, también hay oportunidades. Por ejemplo, disponer de mucho stock cuando el mercado enfrenta un faltante de stock puede generar una buena ganancia.

Vermorel está de acuerdo con la observación de Doherty de que los riesgos en supply chains parecen ser más comunes y tienen efectos financieros predecibles. Enfatiza que la gestión de supply chains implica enfrentarse a muchos riesgos y oportunidades que en su mayoría están fuera de control, y que lo único que se puede hacer es tomar decisiones que equilibren estos riesgos y oportunidades.

Vermorel explica que tanto riesgos como oportunidades pueden surgir en supply chains. Por ejemplo, la entrada o salida de un competidor en el mercado puede bajar o subir los precios, afectando la rentabilidad. También da el ejemplo de una empresa europea de ecommerce que capitalizó un evento sorprendente para obtener una ganancia excepcional.

Vermorel explica que en supply chains es importante tener una mentalidad ágil y oportunista. Señala que, si bien es posible establecer prácticas que se aprovechen de errores predecibles, también es importante estar preparado para los riesgos emergentes.

Vermorel aborda el costo de los defectos en la manufactura de automóviles, señalando que en la gestión de supply chain no existen restricciones rígidas y que todo es susceptible de optimización financiera. Explica que se utiliza el forecast en la gestión de supply chain para mitigar el riesgo. Sin embargo, a diferencia de los defectos en la manufactura de automóviles, las inexactitudes del forecast nunca se eliminarán por completo.

Vermorel introduce el concepto de forecast probabilístico, donde cada futuro posible tiene una probabilidad. Explica que riesgos como un 2% de posibilidad de perder clientes pueden incorporarse en los forecast probabilísticos al prever el comportamiento de los clientes, en lugar de la demanda de los productos.

Vermorel sostiene que la calidad de un enfoque impulsado por el riesgo debe juzgarse por los resultados finales, y no por la calidad de un forecast probabilístico. Enfatiza que la principal preocupación debe ser cuánto dinero se ganó o se perdió, y no la precisión del forecast.

Vermorel sugiere que la entropía cruzada, una medida de la precisión del forecast probabilístico, es tan abstracta como los porcentajes, pero posee buenas propiedades para desarrollar modelos de alta calidad. Enfatiza que los resultados finales, que se traducen en una reducción de errores en términos económicos, son la métrica más importante.

Vermorel sugiere que dichas divisiones de gestión del riesgo suelen ser burocráticas y que sus evaluaciones no tienen consecuencias si no ajustan cada decisión en supply chain. Argumenta que, si las evaluaciones de riesgo no afectan las decisiones de compra, están siendo ignoradas.

Vermorel está de acuerdo, argumentando que, aunque ambas son importantes, las decisiones macro suelen ser una apuesta, mientras que las decisiones diarias pueden evaluarse cuantitativamente.

Vermorel analiza la perspectiva clásica de la gestión de supply chain, en la que cada tienda se trata de forma independiente y se mantiene un safety stock para cubrir posibles faltantes de stock. Sin embargo, este enfoque puede generar problemas, como quedarse sin stock a nivel de warehouse. Critica el método tradicional de asignar el safety stock a las tiendas de manera secuencial, lo que puede resultar en que algunas tiendas estén completamente abastecidas mientras que otras no reciban nada. Esto puede llevar a una demanda insatisfecha y a un exceso de stock en ciertas tiendas.

Vermorel sugiere que un mejor enfoque sería distribuir el inventario de manera que todas las tiendas se queden sin stock al mismo tiempo, maximizando las ventas. Propone un enfoque probabilístico que tenga en cuenta la red y las interdependencias entre todas las tiendas y el inventario disponible.

Vermorel discute riesgos intangibles, como las expectativas de los clientes y el valor de la marca. Por ejemplo, ofrecer descuentos puede llevar a que los clientes esperen futuros descuentos, lo cual puede ser difícil de cuantificar y gestionar. También menciona otras clases de riesgo, como las dependencias de IT, que pueden impactar la supply chain.

Vermorel explica que las promociones pueden llevar a que los clientes esperen futuras promociones antes de realizar compras, lo cual puede ser difícil de modelar y gestionar debido a la naturaleza a largo plazo del comportamiento del cliente. Sugiere que un enfoque impulsado por el riesgo es más compatible con este tipo de estimaciones en comparación con los forecast de planificación de series de tiempo.

Vermorel pone en duda la idea de que solo las grandes empresas pueden permitirse gestionar el riesgo, argumentando que ignorarlo puede resultar más costoso. Sugiere que los forecast probabilísticos pueden ser más efectivos y fáciles de implementar que los tradicionales forecast de series de tiempo. Vermorel sostiene que incluso las empresas pequeñas pueden beneficiarse de la gestión del riesgo, ya que esto puede conducir a márgenes y flujo de caja incrementados.

En conclusión, Vermorel está de acuerdo con el resumen de Doherty, argumentando que muchas empresas enfrentan catástrofes evitables por ignorar el riesgo. Sugiere que una mejor correspondencia entre la realidad y la gestión de supply chain puede llevar a un mayor grado de automatización y a la necesidad de menos personas para gestionar el proceso.

Transcripción Completa

Conor Doherty: ¡Bienvenidos de nuevo a LokadTV! El riesgo es sistémico en supply chain. Desde cierta perspectiva, cada supply chain decision presenta potenciales clases de riesgo, ya sea de forma directa o indirecta. Para explicar por qué - y, lo que es más importante, cómo evitarlos - contamos con Joannes Vermorel, fundador de Lokad.

Así que, Joannes, para citar al gran pensador estadounidense George Costanza, para gestionar el riesgo primero debemos entenderlo. Y para entenderlo, primero debemos definirlo. Entonces, en el contexto de supply chain, ¿qué es exactamente la gestión del riesgo y cómo se diferencia de la gestión del riesgo en otros ámbitos, como la manufactura?

Joannes Vermorel: La fuente principal de riesgo en supply chain es el futuro que desconoces. En la manufactura, se trata en gran medida de contar con el proceso correcto. Si tienes el proceso correcto, puedes producir potencialmente mil millones de piezas sin enfrentar nunca ningún defecto. Así que, en términos de manufactura, podrías eliminar el riesgo. El riesgo no depende tanto del futuro. Por ejemplo, si tienes un proceso defectuoso que crea un peligro de incendio para tu fábrica, es solo cuestión de tiempo antes de que la fábrica se queme.

En supply chain, es literalmente el futuro que desconoces y no puedes salvaguardar todas las posibilidades porque eso resulta demasiado costoso. Siempre existe la posibilidad de que la demanda de productos específicos se dispare en un factor de 20, pero ¿deberías tener en stock 20 veces más de lo que esperas vender, considerando el lead time aplicable y demás, solo porque existe esa remota posibilidad de enfrentar ese pico de demanda súper impredecible? No.

Fundamentalmente, diría que, a diferencia de otros ámbitos, en supply chain las fuentes de riesgo son las condiciones futuras que desconoces y cada decisión que tomas es una especie de trade-off entre el riesgo y las recompensas, en relación a esa incertidumbre del futuro. Y diría que la incertidumbre sobre el futuro es irreducible, a diferencia, por ejemplo, de la incertidumbre asociada a los activos físicos en tu proceso de manufactura en una fábrica.

El riesgo cero nunca existe. Aunque, si miras un proceso de manufactura, puedes acercarte mucho, mucho a cero. Quiero decir, no es absolutamente cero, pero sí muy, muy cercano. En cuanto a supply chain, observa cualquier producto: siempre existe un riesgo, en porcentaje de dos dígitos, de que este producto ya no se venda en el mercado dentro de cinco años. Hay muy pocos productos de los que se pueda decir con absoluta certeza que seguirán existiendo dentro de cinco años, especialmente si tenemos en cuenta que el producto puede ser reemplazado por una variante, lo que aún se considera un SKU.

Conor Doherty: Entonces, para resumir, ¿estás diciendo que la gestión del riesgo en supply chain es puramente una cuestión de minimizar los recursos desperdiciados o es simplemente una preocupación financiera?

Joannes Vermorel: La fuente del riesgo es literalmente el hecho de que no conoces el futuro. Si tuvieras una bola de cristal mágica que te dijera el futuro, en teoría podrías tener una práctica de supply chain casi libre de riesgos, siempre que se disponga de suficiente dinero.

Esta fuente de riesgo es irreducible y resulta extraña en muchos otros ámbitos. Por ejemplo, en la contabilidad, existe el riesgo de cometer errores contables, pero para eso están esas prácticas contables, para eliminarlos esencialmente. Cuando se piensa en términos del riesgo asociado a prácticas contables incorrectas, realmente se quiere que eso sea muy poco frecuente.

En supply chain, no tienes opción. No importa si eres bueno, si tienes las prácticas correctas, el riesgo es irreducible. Podrías tener una guerra, confinamientos, incendios, todo tipo de eventos que están completamente fuera de tu control y que desviarán la demanda de manera masiva de una u otra forma. Esa es la fuente principal de riesgo: el desconocimiento, y todo lo que puedes hacer es mitigar esos riesgos. Pero además, dado que existe el riesgo, también hay oportunidades que no se presentan en otros ámbitos como las prácticas contables.

Por ejemplo, si llegas a tener mucho stock de algo mientras el mercado enfrenta un faltante de stock, puedes obtener potencialmente una buena ganancia al vender este inventario a un precio superior.

Conor Doherty: Parece que muchos de esos problemas en supply chain serán mucho más comunes que el ejemplo que diste de contratar a una persona incompetente o moralmente incorrecta. Son extremadamente raros, pero presumiblemente las clases de riesgo de las que hablas en el contexto de supply chain, como cuando los tiempos de entrega se extienden o incluso se aceleran un par de días, son probablemente bastante regulares y tienen efectos financieros predecibles.

Joannes Vermorel: Sí, y no dependen de ti. Esa es también una cosa muy diferente. Si estás en un proceso de manufactura en una planta y tienes defectos, arreglar el proceso para que ya no tengas defectos recae completamente en ti. Puedes, potencialmente, alcanzar esos estados de cero defectos, lo cual es perfección, o acercarte mucho a la perfección.

De nuevo, si nos vamos al mundo de supply chain, no realmente. Es decir, por definición, si tienes un lead time, tienes un proveedor y esta compañía está fuera de tu control. E incluso si lo internalizas, puede que tengas un transportista y aún así está fuera de tu control. E incluso si internalizas al transportista, la carretera podría estar cortada porque la autopista está inundada o por alguna otra razón, y nuevamente está fuera de tu control.

Entonces, lo que hace que la práctica en supply chain sea tan específica es que estás tratando con mucho riesgo y, a la inversa, con muchas oportunidades, y en su mayoría están fuera de tu control. Así que lo único que puedes hacer es tomar decisiones que equilibren adecuadamente esos riesgos y oportunidades.

Conor Doherty: Entonces, cuando hablas de oportunidad en el contexto del riesgo, ¿te refieres a oportunidades perdidas?

Joannes Vermorel: Sí, un competidor puede de repente entrar en el mercado y bajar los precios. Eso es un riesgo. Así que, podrías verte obligado a bajar tu precio a su vez y terminar siendo menos rentable de lo que esperarías o, incluso, quizás ya no siendo rentable. Pero puede suceder justamente lo contrario. Un competidor puede salir de tu mercado. En ese caso, bueno, puedes subir tu precio y ser más rentable de lo que esperarías.

Cada vez que piensas que hay un riesgo, hay una oportunidad. Si hay una inundación, quizás tu almacén se inunde o el de uno de tus competidores se inunde. Entonces, cuando la gente piensa en riesgo nuevamente en entornos de manufactura, tienes un objetivo claro, que es la perfección. Así que, cuando piensas en riesgo, necesariamente no existen ventajas aleatorias oportunistas específicas.

Pero en supply chain, esto puede suceder. Puedes tener miles de productos y, por algunas razones aleatorias, los competidores simplemente cometen errores. No tienen la cantidad adecuada de stock, no cuentan con la capacidad correcta o tienen la asignación equivocada, y entonces surgen oportunidades.

Por ejemplo, una gran empresa europea de ecommerce, una de sus técnicas era comenzar a vender productos de moda e identificar muy rápidamente, en la temporada, los más vendidos, literalmente en uno o dos días. Y lo que hacían era pasar de inmediato un pedido gigantesco a la marca original y acaparar todo el stock.

Fue sorprendentemente bien recibido, y así decían, “Bueno, si esta cantidad de ventas nos toma por sorpresa, lo más probable es que también tome por sorpresa a la marca original. Entonces, ¿qué ocurrirá si realizamos un pedido masivo? Estaremos sentados sobre una gran pila de inventario mientras que todos los demás se quedan con un faltante de stock. Podemos vender los mismos productos a un precio ligeramente superior al normal, y aun así venderemos todo sin incurrir en ninguna penalización relacionada con las ventas de fin de temporada.”

Así que, ya ves, la idea es que ocurre un evento sorprendente, un producto se vende más de lo que los expertos esperarían, y luego, si eres inteligente, puedes convertir eso en una oportunidad para acaparar la cantidad de inventario que aún esté disponible y obtener una ganancia excepcional con ese producto. Así que, ya ves, el riesgo está presente, pero también surge la oportunidad.

Conor Doherty: Entendido, gracias. Ese ejemplo es bastante interesante porque abre una posible bifurcación en la conversación. Si entendí correctamente, el ejemplo que diste fue de una respuesta reactiva a la oportunidad. Este vendedor de moda detectó una oportunidad y respondió de manera muy ágil a dicha oportunidad. Entonces, ese fue un enfoque reactivo para gestionar la oportunidad y evitar riesgos. ¿Es eso lo mejor que se puede hacer en supply chain, o existe un mecanismo proactivo para anticipar este tipo de eventos?

Joannes Vermorel: Tendría una respuesta doble a eso. Primero, tienes toda la razón. Surgió con una mentalidad ágil, una mentalidad oportunista, y se aplica tanto al riesgo como a las oportunidades. Lo interesante es que, si provienes de una perspectiva como la manufactura, esta no es la perspectiva que adoptas. Simplemente quieres eliminar el riesgo. Es un problema estático. O tu proceso no tiene riesgo, ni defectos, ni peligros, y estás bien, o no es así, y tienes que arreglarlo.

Aquí en supply chain, lo interesante es que cuando intentas abordar el riesgo con este tipo de mentalidad estática, lo consideras algo que podrías arreglar de una vez por todas. Pero el problema es que no funciona, porque si tienes algo completamente estático, ya no puedes capturar las oportunidades. Pero la realidad es que tampoco puedes reaccionar ante el riesgo emergente. Es completamente simétrico. Así que surgen oportunidades, pero también habrá riesgos que simplemente irán surgiendo y sorprenderán a todos, y necesitas reaccionar rápidamente.

Ahora, ¿qué significa estar preparado? Como mencionaba en este ejemplo de esa gran empresa europea de ecommerce que juega a acaparar el inventario de la marca, es una práctica establecida. Saben que, debido a que una gran marca de moda tendrá una colección de quizás 20,000 variantes distintas, se cometerán errores. Es una certeza. No sabes cuál, pero la idea de que una marca de gran tamaño pueda tener todo debidamente dimensionado en términos de inventario es una apuesta relativamente segura para decir que se cometerán errores. Y, por lo tanto, puedes establecer una práctica en la que conviertas esos errores previsibles en tu ventaja.

Conor Doherty: Cuando hablas de diseñar un proceso en una empresa, como alguien que se ocupa de bienes de consumo de rápida rotación, ¿cómo lo concretas exactamente? ¿Es un proceso de arriba hacia abajo o de abajo hacia arriba? Quiero decir, aprovechando esas oportunidades, ¿cómo instancias ese tipo de proceso?

Joannes Vermorel: Como en la mayoría de las cosas en supply chain, tiene que ser de arriba hacia abajo hasta cierto punto. No puedes esperar que las personas en el nivel más bajo tengan manera de reingeniar la organización en sí. Por ejemplo, si decides que tu proceso es como SNOP (Sales and Operations Planning) y luego tienes sesiones trimestrales de SNOP donde pasas dos meses para establecer tu nuevo forecast y lograr que todos estén de acuerdo, establecer un gran consenso, y luego se encuestan a todos, y posteriormente necesitas compilar todos los resultados y volver a traducir los forecasts, que son por semana y por categoría, a algo que tenga sentido en términos de decisiones, estás en una situación en la que no importa si las personas en el nivel más bajo son ágiles o no. El proceso y la organización en sí impiden cualquier tipo de agilidad. Así que, en gran medida, si quieres ser ágil, esto tiene que ser diseñado desde arriba para que esa agilidad incluso pueda ocurrir. Pero luego, una vez que has diseñado algo en lo que se vuelve una posibilidad, sí, es algo mucho más de abajo hacia arriba, porque se trata de si los diversos equipos aprovechan esta nueva agilidad.

Conor Doherty: También se me ocurre que hay otra forma de abordar la idea de riesgo y oportunidad. Si simplemente inviertes el ejemplo que diste, en lugar de enfocarte en la empresa que estaba vendiendo esas camisetas que se vendían como pan caliente y decidió acaparar el mercado en ese sentido, eso es aprovechar una oportunidad. Desde la perspectiva del proveedor, si te encuentras en una situación así en la que, de repente, de la nada, la tienda de ropa de Joannes me llama y dice, “Oh, queremos todas las camisetas que tienes, todas las camisetas negras, las compraremos ahora mismo”, ¿es algo de lo que debas tener cuidado? Porque, de nuevo, ahí hay riesgo y oportunidad. Como proveedor, ¿debería vender? Es una venta garantizada ahora, hoy, me deshago de todo. ¿O debería investigar por qué estaría intentando comprarlas ahora mismo? ¿Hay algo más en juego?

Joannes Vermorel: Realmente depende de si puedes permitirte siquiera gastar tiempo investigando. Si existe una conexión EDI y las compras están completamente automatizadas y ni siquiera hay alguien en el proceso, realmente depende. Pero tener comportamientos adversarios por todas partes es solo otro día en supply chain. Tus proveedores son tus mejores socios y, potencialmente, tus competidores, porque también pueden limitar tu ganancia. También pueden, con el tiempo, convertirse en competidores, decidir tener sus propias marcas, etc. Y lo contrario es cierto. Si eres una marca, puedes decidir internalizar y, de repente, competir con lo que fueron tus antiguos proveedores. Así que, no hay reglas generales, realmente depende. Pero lo interesante es que, en supply chain, puedes asignar dólares o euros en recompensas y oportunidades para ese tipo de cosas.

De nuevo, si vuelves a la manufactura de autos, ¿cuánto cuesta tener un defecto que mata a una persona? La respuesta es demasiado. Así que, ya ves, no es el tipo de cosa en la que vas a realizar una ingeniería sofisticada porque, en su mayoría, no es aceptable. Así que sí, en teoría, los economistas te dirían que el costo de una vida humana en EE. UU., según varias cosas, es, digamos, cinco millones, lo que sea, e incluso podrías argumentar en ese sentido. Pero la realidad es que nadie va a hacer una ingeniería realmente seria. Simplemente harán lo que puedan para que esos problemas en los que alguien muere simplemente no ocurran. Y, por lo tanto, no existe una ingeniería financiera real, porque, de nuevo, si lo tomas desde el ángulo de manufactura, solo deseas evitar por diseño ese tipo de problemas y no estás intentando optimizar tu riesgo en el sentido de equilibrar los pros y los contras, solo quieres eliminarlo. Pero en supply chain, no puedes, y va a ser un verdadero compromiso. Todo lo que hagas tiene un costo, hay una recompensa, y son solo matices de gris. No es así. Siempre puedes tener un poco más de stock, siempre puedes operar con un poco menos de stock, e incluso puedes intentar operar con stock cero y simplemente realizar back orders de principio a fin. Así que, en definitiva, tienes mucha más flexibilidad y, además, muy pocas restricciones estrictas en supply chain. Mientras estés dispuesto a pagar, casi no hay restricciones. ¿Quieres más espacio de almacenamiento? Si estás dispuesto a pagar por ello, puedes incluso costear la construcción de un segundo almacén. Así que, en última instancia, todo tipo de restricciones, riesgos y recompensas, son bastante blandos y, por lo tanto, muy elegibles para la optimización financiera, en contraposición a situaciones de vida o muerte donde la gente diría, “No, no vamos a hacer una optimización financiera de eso. Tiene que ser una respuesta categórica. Simplemente no lo queremos.” Así que, supply chain tiene este lujo de que la gran mayoría de los problemas son, en realidad, problemas blandos donde puedes pasar de un servicio muy malo a uno muy bueno, y todo el espectro es posible, y la estructura de costos evoluciona a medida que buscas una mejor calidad de servicio o una peor.

Conor Doherty: El ejemplo que diste de la manufactura de autos en realidad presenta una transición muy buena porque sé que, en la manufactura de autos, por ejemplo, Ford, gestionan el riesgo, particularmente con sus vehículos autónomos, usando digital twins. Construyen una versión digital y un entorno digital y, luego, utilizando algoritmos, someten el vehículo autónomo teórico a una batería de pruebas y evalúan su riesgo sin tener que producir jamás un prototipo en el mundo real. Ese es un paso para gestionar su riesgo. ¿Existe algo similar para supply chain? Porque, de nuevo, no es un producto físico en sí mismo, aunque está compuesto por muchas partes móviles.

Joannes Vermorel: Eso es lo interesante. Es lo que tratas de hacer, de alguna manera, con el forecast. Intentas mitigar ese riesgo que tienes acerca de este futuro incierto mediante el forecast. Idealmente, si tus forecasts fueran perfectos, simplemente eliminarías ese riesgo. Por eso, existen muchas prácticas en supply chain que tratan la precisión del forecast de la misma manera que los fabricantes de autos tratan los defectos en sus pastillas de freno, como algo que debería eliminarse.

Pero el problema es que, a diferencia de los defectos en las pastillas de freno, donde potencialmente puedes reducir esa tasa de defectos a uno por mil millones, de forma que sea tan baja que resulta irrelevante, la inexactitud del forecast nunca se reducirá a un 0.01 de error. Generalmente, se quedará, si observas la granularidad que tiene sentido en cuanto al forecast para las decisiones, básicamente por SKU por día, quedándote con forecasts ampliamente inexactos, como un 50% de inexactitud en promedio, por día por SKU, si miras con algunos meses de antelación.

Lo interesante es, ¿qué tienes en términos de herramientas, procesos y metodologías para lidiar con estas clases de riesgo? Eso es básicamente lo que Lokad está haciendo con probabilistic forecasting, precisamente por esta razón. Esa es una manera de abrazar esta incertidumbre. Pero eso es muy diferente del paradigma clásico que simplemente asume que el forecast será preciso y donde, si hay inexactitudes, se trata como un defecto que se debería resolver.

El enfoque de Lokad, el probabilistic forecasting, es que no asumimos ni siquiera esperamos que esas inexactitudes desaparezcan jamás. Lo que tenemos son probabilidades. Podemos mejorar nuestros modelos para obtener probabilidades un poco más concentradas, de modo que tengamos una visión algo más nítida sobre el futuro. Pero la perspectiva general es que seguirá siendo extremadamente impreciso y extremadamente incierto, sin importar nada.

Conor Doherty: Quiero dejar en claro algo porque creo que hay un punto importante y solo quiero enfatizarlo. Cuando hablas de forecast de demanda futura, la mayoría de la gente lo interpretaría simplemente como mirar los datos de ventas anteriores y obtener un número, como en una serie temporal. ¿Es tu postura que el enfoque de probabilistic forecasting tendrá en cuenta no solo los datos históricos, sino también las otras clases de riesgo de las que hablamos, como tiempos de entrega extendidos, que un barco se quede atascado en un canal, o algo similar, y los combine?

Joannes Vermorel: Sí, absolutamente. Por eso en Lokad, típicamente hablamos de modelado predictivo en lugar de forecast. En teoría, con el forecast podrías forecast cualquier cosa, pero la realidad es que cuando dices forecast, la expectativa por defecto es que estás hablando de la demanda o de las ventas. Ese es el 99% de la situación: cuando la gente dice que tenemos un forecast, se refieren a un forecast de las ventas o de la demanda. Pero la realidad es que todo lo que es incierto sobre el futuro se puede anticipar y, por lo tanto, tenemos este modelado predictivo.

La cosa interesante es que hay muchas situaciones en las que puedes modelar el riesgo, incluso si no tienes muchos datos. Por ejemplo, la guerra en Europa. Si observas los últimos 100 años, ha habido como una gran guerra cada medio siglo. Así que, si lo piensas, eso significa que cada año existe aproximadamente un dos por ciento de probabilidad de que ocurra una guerra que te impacte. Puedes retroceder cinco siglos en la historia de Europa y eso es algo que ha sucedido una y otra vez.

Espero que el riesgo de una guerra real en Europa Occidental sea bastante bajo en este momento, pero de nuevo, si adoptas una perspectiva histórica, decir que hay un dos por ciento de probabilidad de tener una disrupción masiva no es relativamente absurdo. Mira lo que está sucediendo en Ucrania. El riesgo es definitivamente real y hace 20 años estaba en la ex-Yugoslavia. Así que ese tipo de cosas sucede y no necesitas tener datos precisos para decir, bueno, podemos asignar un dos por ciento de riesgo a un evento disruptivo mayor.

Podrías depender de la región, podrías sufrir inundaciones, podrías tener incendios. Hay muchos riesgos en los que puedes hacer una estimación aproximada. Es mejor hacer eso en lugar de pretender que esos riesgos no existen en absoluto. Y con el forecast probabilístico, agregar un riesgo de dos por ciento que es un poco aproximado, para decir una caída mayor de la demanda, es técnicamente bastante sencillo.

En contraste, si lo haces, si abordas el futuro con un forecast de series temporales clásico y determinista, es casi imposible lograrlo. Sí, puedes decir que tenemos un escenario en el que ocurre un desastre, pero ¿cómo reconcilias ese escenario, que diverge ampliamente de tu forecast principal, con lo que haces a diario? En la práctica, no se puede.

Entonces, hay muchas empresas que dicen, “Oh, hacemos escenarios, modelamos el riesgo”, pero la realidad es: ¿qué pasa con tus decisiones cotidianas? Todas esas decisiones diarias están impulsadas 100% por el forecast mediano o el forecast promedio, que ignora completamente todo el riesgo. Así que, en este sentido, sí, realizaste algunos ejercicios intelectuales para pensar en el riesgo, pero si todas las decisiones que tomas a diario no incorporan este riesgo de una u otra manera, entonces esto es solo un ejercicio intelectual. No tiene ninguna consecuencia en lo que haces cotidianamente.

Conor Doherty: Quiero presionarte un poco en este punto porque, en realidad, también tengo curiosidad. Si piensas en otras técnicas de forecast, como, digamos, forecast value added, en la que personas colaboran agregando al forecast y la idea es que diferentes departamentos aportan conocimientos. Toma un ejemplo: un nuevo competidor está a punto de surgir, y esa información la tiene el área de marketing, la cual de alguna manera la incorpora en una serie temporal. Eso es algo difícil de hacer, porque, ¿cómo traduces ese tipo de conocimiento en un forecast? De manera similar, aquí es donde insisto un poco: ¿cómo se incorpora exactamente una probabilidad de dos por ciento de guerra en Europa Occidental en un forecast probabilístico para llegar al número de unidades que tengo en mi estantería? Porque, de alguna manera, parecen algo similares.

Joannes Vermorel: Comencemos con las series temporales. Verás, hoy en día se piensa que existe esta creencia general —no por todos, pero la mayoría de los practicantes mainstream de supply chain— de que solo se puede mirar al futuro a través del lente de las series temporales. Las series temporales son increíblemente limitadas como forma de expresar cualquier cosa que sepas sobre el futuro. Por ejemplo, si eres una empresa B2B, es decir, tus clientes son otras empresas, un riesgo muy básico es que uno de esos grandes clientes te abandone para irse con otro de tus competidores. Y cuando eso sucede, todos los productos que compraban de ti dejarán de comprar nada. Y si, por ejemplo, mantenías en stock un producto que ese cliente compraba de forma rutinaria, y de repente te abandona, entonces ese montón de inventario se convierte en dead stock de la noche a la mañana. Simplemente porque, aunque el stock se estaba rotando bien, venía con el riesgo oculto de que ese cliente pudiera abandonarte.

Así que aquí tenemos que la idea de que esos grandes clientes pueden abandonarte no es una idea súper sofisticada. Cualquier vendedor diría: “Bueno, teníamos este cliente y siempre existe el riesgo de que nos abandone.” Ahora, el problema es que si enmarcas tu anticipación del futuro con series temporales, te quedas atascado. No puedes expresar eso porque la información que tienes es sobre el cliente, no sobre los productos. Y si dices que existe el riesgo de que este producto llegue a cero, sí, pero lo que sucede es que este riesgo está altamente correlacionado. Es todo lo que ese cliente está comprando lo que puede llegar a cero al mismo tiempo. Y es un tipo de riesgo muy, muy diferente al de decir que este producto, aislado, puede llegar a cero.

Lo primero es que las series temporales simplemente no son apropiadas ni siquiera para expresar el riesgo.

Para asegurarse de que la gente no se lo pierda, las series temporales son una reflexión de la relación de un cliente con un producto, pero no de los productos en sí. Las series temporales son simplemente una medición unidimensional. Tienes una medición que disminuye cada día, cada semana, cada mes. Eso se llama series temporales basadas en equis. Es lo que la gente tiene en mente cuando piensa en series temporales. Es una medición unidimensional y es literalmente como las temperaturas. Hubo temperaturas en el pasado, habrá temperaturas en el futuro, y así puedes extender esta serie temporal.

Sin embargo, esto se trata de las relaciones previas que los clientes preexistentes tenían con los productos que compraste, pero eso no dice nada sobre el futuro. El problema es que la información que tienes está a la granularidad del cliente, y tu forecast está a la granularidad del producto. Hay una discordancia y no hay forma de trasladar esa información a la otra. Ese es un punto clave.

En matemáticas, cuando haces trampa, terminas con cosas extrañas. Por ejemplo, cuando haces un poco de trampa, digamos, por ejemplo, que la Tierra es una esfera, aproximadamente. No es exactamente una esfera, pero es lo suficientemente cercana. Así que, cuando quieres tener un mapa, estás proyectando una esfera sobre una superficie plana. Si miras un mapa del mundo, terminas con distorsiones. Por ejemplo, en los mapas europeos, África aparece muy pequeña comparada con Europa, aunque en realidad África es más grande que Europa. Eso es solo un efecto de la distorsión porque estás usando una superficie plana para representar una esfera.

Pero aquí, el problema es muchísimo mayor. Estás tratando de representar algo totalmente riesgoso. Es un objeto de muchas dimensiones que intentas representar como un objeto unidimensional, tu serie temporal. Así que los problemas y las distorsiones que surgen son absolutamente gigantescos. Si piensas que solo hacer que África se vea más pequeña que Europa es un problema, esos son problemas muy modestos en comparación con los que se presentan en supply chain cuando intentas inyectar esa información que conoces sobre el riesgo en las series temporales.

Tenemos otro problema. Cuando no conoces la solución, es muy difícil pensar en el problema. La gente no está realmente familiarizada con la clase de modelos matemáticos que podrían representar esos riesgos. Están atrapados en las series temporales debido a que ni siquiera pueden imaginar algo que no sea una serie temporal. Pero el primer paso es reconocer que esta no es una representación correcta. No importa si aún no está claro qué se debería usar.

Hay algunas cosas técnicas. Por ejemplo, no está muy claro cómo se calcula un logaritmo, pero está bien. No necesariamente necesitas tener una imagen clara de la cosa para utilizarla con éxito. Así que, a continuación, pasemos a la segunda parte: ¿cómo aprovecha Lokad ese tipo de información?

La idea es que, cuando deseas pensar en el futuro, la versión de alta dimensión es pensar que cada futuro posible tiene una probabilidad. Así que podrías considerarlo como la probabilidad de que, en cualquier futuro dado, se conozca exactamente el nivel de ventas de todo, sobre la demanda, las cosas que se volverán a vender.

Existe una probabilidad de que esto ocurra. Es ínfima, pero si tienes las herramientas matemáticas adecuadas, puedes trabajar con probabilidades ínfimas. Y, de nuevo, debido a que tienes un número muy grande de futuros posibles, aún suma una probabilidad de uno. Hay un futuro que ocurrirá, y la suma de todas esas probabilidades es uno.

Puedes incorporar un riesgo como el de dos por ciento de probabilidad de perder a estos clientes. No es realmente tan difícil. Si ves la demanda a través del lente de los productos, es muy difícil inyectar a los clientes. Pero si ves la demanda como el resultado del comportamiento de los clientes y forecastas el comportamiento de los clientes, entonces agregar este riesgo extra de que el cliente te abandone se vuelve algo relativamente sencillo.

Puedes construir tu forecast de diferentes maneras. En términos de la agilidad que se tiene utilizando un enfoque de series temporales versus la agilidad que se obtiene aprovechando el enfoque probabilístico, ¿cuál es la diferencia y cómo se traduce eso en la gestión del riesgo?

El problema principal es que el riesgo en las series temporales no existe. Ni siquiera pueden existir. Es como un cubo en un espacio bidimensional. No existe tal cosa como un cubo. Puedes dibujar un cubo, pero fundamentalmente, simplemente no encaja. Ese es el problema cuando tienes dimensiones adicionales que no encajan: estás atrapado. Si todo lo que tienes es un plano bidimensional, no puedes apilar un cubo en él. Simplemente no va a encajar. Y así, con las series temporales, estás algo atascado.

Podrías improvisar con cinta adhesiva. Podrías decir que no podemos lidiar con el riesgo, pero podemos engañar generando un forecast incorrecto que esté intencionadamente distorsionado de modo que la decisión que se tome en función de ese forecast refleje ese riesgo. Esa es una forma muy enrevesada de llegar a la gestión del riesgo.

Técnicamente, es posible hacerlo, pero será de maneras muy extrañas. Por ejemplo, puedes lidiar con el riesgo haciendo que tu forecast sea intencionalmente menos preciso al introducir una distorsión, una distorsión intencional en tu forecast. Esa es una forma de lidiar con los riesgos. Pero es una manera muy enrevesada de llegar a ello.

Si optas por el enfoque probabilístico, cuentas con un forecast inherentemente probabilístico. Entonces, por diseño, tienes esas probabilidades. Existe otra parte del desafío, que es: ¿cómo haces una optimización? Se llama proceso de optimización estocástica. ¿Cómo optimizas una decisión cuando tienes condiciones inciertas? Necesitas realizar una optimización que tenga una afinidad natural con esas incertidumbres existentes en las condiciones iniciales.

Conor Doherty: Si evaluamos, y tengo curiosidad por saber exactamente cómo, bueno, no, déjame reiniciar esa pregunta. Si estás en una situación en la que tienes una empresa y adoptas el enfoque probabilístico, has estado utilizando series temporales, te has convencido con lo que acabas de decir y luego se te presenta una recomendación que es el producto final de la metodología de forecast probabilístico. Y en ese valor presentado, en realidad se han incorporado muchos de esos factores, por ejemplo, la posibilidad de perder un cliente, y ya sabes, la dirección lo mira y piensa que eso es una locura. ¿Cómo se supone que deben interactuar con eso, dado que, de nuevo, hay tantas cosas incluidas en ello? ¿Cómo se cierra la brecha?

Joannes Vermorel: Primero, ¿cuál es el resultado? Y ahí es donde existe una divergencia radical. El resultado de un proceso de supply chain impulsado por el riesgo y potenciado por forecasts probabilísticos —porque, literalmente, hasta donde yo sé, es prácticamente la única técnica viable que tenemos para lidiar con el riesgo; para eso son las probabilidades— es la toma de decisiones, no el plan. Es curioso que, cuando piensas que el futuro se puede conocer para eliminar todo riesgo, los riesgos de supply chain se basan principalmente en este futuro incierto. Si piensas que puedes tener un forecast preciso, entonces el resultado de tu práctica de supply chain es el forecast, y el forecast es tu plan, porque una vez que lo tienes, solo queda orquestar las decisiones.

Si adoptas un enfoque impulsado por el riesgo, el resultado de tu proceso no es el plan, no es el forecast, son las decisiones. Pero si tu proceso impulsado por el riesgo es malo —porque puede ser malo— conducirá a malas decisiones. ¿Y cómo determinas que una decisión es mala? Bueno, sucede de manera muy diferente. De nuevo, si adoptamos la perspectiva clásica, la gente pensaría en términos de precisión del forecast, ya que ese es el objetivo final. Si optas por lo impulsado por el riesgo, dirías: “Esta decisión tiene riesgos y oportunidades asociados expresados en dólares o euros”. Y, si ves una decisión que es mala, esencialmente estarás diciendo que la valoración, en dólares o euros, que se ha hecho sobre esa decisión próxima es incorrecta.

Y así, puedes identificar, y si lo analizas, típicamente por cada decisión que generamos, descomponemos los impulsores económicos para poder decir que contamos con media docena de impulsores que reflejan lo que influye en esa decisión. Y, si quieres cuestionar eso, desafiarás un componente y dirás, por ejemplo, el carrying cost: el riesgo de carrying cost que estimas parece completamente erróneo. Y sí, ese es el rol de los Supply Chain Scientists para hacer ingeniería inversa del proceso e identificar qué está mal con esa estimación. Pero es algo muy técnico.

Pero la realidad es que si tienes un forecast de series temporales clásico que resulta muy incorrecto, dirás que ese forecast de series temporales es muy inexacto. Pero una vez que dices eso, investigar la causa raíz será también una tarea muy técnica.

Conor Doherty: Si volvemos a lo anterior, estábamos hablando de enfoques proactivos de gestión de riesgos, que fueron, digamos, los gemelos digitales en la industria automotriz y luego a una gestión de riesgos más reactiva, tomando como ejemplo la analogía con la ropa que diste. El forecast probabilístico suena casi proactivo en el sentido de que estás simulando mundos en los que tomas esta decisión, aquí está la respuesta anticipada, tomas esta decisión, aquí está la respuesta anticipada.

Joannes Vermorel: Entonces, es proactivo en el sentido de que simplemente afirmas que habrá fluctuaciones, que siempre habrá fluctuaciones que están muy por encima de mi control. De eso se trata esta incertidumbre irreducible sobre el futuro y, basándome en ello, necesito poder diseñar un proceso que reaccione de forma rápida y adecuada a esas condiciones cambiantes, ya sea que me afecten positiva o negativamente. Y sí, es muy proactivo en el sentido de que diseñar un proceso de ese tipo, que te permita aprovechar las oportunidades conforme surgen y mitigar los problemas a medida que se presentan, requiere mucha preparación.

Pero no se engaña con la idea de que puedes prepararte tanto como para eliminar la incertidumbre en primer lugar. Verás, ese no es el objetivo final. Es, en cierto modo, una posición dogmática, pero es la idea de que no puedes llegar al fondo de este agujero del modelado predictivo. No puedes llegar a un modelo que sea 100% preciso, eso nunca sucederá. La cantidad de incertidumbre residual será muy grande y, por lo tanto, lo que te queda es diseñar un proceso que sea muy bueno para mantenerse al día con el cambio conforme lo observes.

Porque verás, lo que sucede es que, con mucha frecuencia, las empresas se sorprenden por cosas que ocurrieron hace meses. Dirías, oh, no conocemos el futuro, pero ¿qué hay del pasado? Conocemos el pasado. Pero si tu tiempo de respuesta promedio para algo que ya has visto es de, digamos, seis meses, entonces podrías terminar sorprendiéndote por algo que ya ocurrió hace un par de meses, y las empresas muy regularmente se sorprenden de esta forma.

Conor Doherty: De nuevo, quiero profundizar un poco aquí porque sé que si vamos a hablar de gestión de riesgos, debemos hablar de cómo evaluamos nuestras prácticas de gestión de riesgos. Y nuevamente, para volver a la comparación entre series temporales y enfoques probabilísticos, si tienes una serie temporal y está completamente equivocada, puedo señalarlo y decir: bueno, eso estuvo mal, fue enormemente incorrecto. Y eso es, ya sabes, binario, o fue preciso o no lo fue. Dijiste que venderíamos 100, vendimos 10. Te equivocaste por un orden de magnitud. Con el enfoque probabilístico, proporcionas probabilidades, no dices que esto es definitivamente lo que venderás. ¿Y eso te aísla de estar equivocado?

Joannes Vermorel: No, quiero decir, técnicamente existen métricas para la exactitud de los forecast probabilísticos, pero aún más interesante es que se puede evaluar la corrección de las decisiones mismas. Y eso, ya sabes, olvida las probabilidades. Son solo un artefacto transitorio de cálculo. Hay muchos otros artefactos, artefactos numéricos que entran en el cálculo. Son inconsecuentes en el sentido de que, si tienes las probabilidades incorrectas pero aún así tomas la decisión correcta, ¿realmente importa que tus probabilidades estén equivocadas?

Conor Doherty: ¿Qué quieres decir con eso? ¿Podrías tener la probabilidad incorrecta pero aún así tomar la decisión correcta?

Joannes Vermorel: Por ejemplo, hay gente que no siempre se da cuenta, pero las computadoras aproximan las cosas todo el tiempo. Cada vez que haces un cálculo, simplemente usas un cierto número de dígitos de precisión. ¿Es importante o no la pérdida de precisión? La respuesta es, depende. Y en la supply chain, depende de qué. Bueno, depende de si la decisión final es buena o mala.

Así que, al final, lo que estoy diciendo es que deberías juzgar la calidad de este enfoque impulsado por el riesgo por lo que hace al final del proceso, las decisiones. Manejar probabilidades de alta dimensión, en lo que tiene que ver con la evaluación numérica de probabilidades en un espacio de muy alta dimensión, viene acompañado de todo tipo de peculiaridades. Si las técnicas son apropiadas o no, realmente debería juzgarse por los resultados finales, y no por la calidad de un forecast probabilístico.

Necesariamente, la exactitud del forecast no es la principal preocupación, sino más bien cuánto dinero se ganó o se perdió.

Conor Doherty: Sí, exactamente. Y bueno, eso es muy difícil para algunas personas. Perdóname, no quiero ser condescendiente, pero ¿estás diciendo que la idea de querer un forecast más preciso es técnicamente equivocada en términos de gestión de riesgos?

Joannes Vermorel: Entonces, primero, cuando dices que tienes, digamos, un forecast inexacto en un 20%, esos porcentajes son una unidad completamente inventada. No son kilogramos, no son kilovatios, no son algo que tenga alguna realidad tangible. Esto es inventado y la gente dice: “Oh, pero estamos tan acostumbrados a que esos porcentajes de exactitud se expresen como un porcentaje que seguramente debe ser real.” Yo digo que para nada. Puedes tener forecasts extremadamente dañinos que lleguen a ser muy exactos, donde la inexactitud expresada como un porcentaje es muy baja.

Hay una anécdota que me han contado una y otra vez, en la que simplemente haces un forecast de cero demanda para una tienda y eso muy rápidamente te dará un forecast muy exacto. Pronosticas cero, abres con cero, y el forecast se vuelve 100% exacto. Así que, esta medición que expresa porcentajes no es muy sensata.

Si te digo que puedes tener una medición de forecast probabilístico expresada en entropía cruzada, eso es muy abstracto y no te va a ofrecer mucha información. Pero lo que estoy planteando es que la entropía cruzada es tan abstracta y opaca como los porcentajes. Es muy inventada. La única razón por la que, por ejemplo, en Lokad escogeríamos la entropía cruzada es porque tiene buenas propiedades a la hora de llegar a las decisiones finales.

Por ejemplo, la entropía cruzada presenta gradientes muy pronunciados que facilitan el aprendizaje de modelos de alta calidad. Es algo muy técnico, pero funciona. ¿Y funciona en qué sentido? Funciona juzgando los resultados finales, es decir, la decisión que se genera al final del proceso y que, en última instancia, se traduce en una reducción de euros o dólares de error. Esa es la métrica que es relevante para las personas que operan desde esta perspectiva impulsada por el riesgo.

De nuevo, si operas desde la perspectiva de series temporales, estás pensando en términos de, por ejemplo, un fabricante de automóviles con un defecto que podría matar personas. Dices: “Sabes qué, no contamos dólares, solo queremos asegurarnos de que somos extremadamente seguros y que estamos seguros casi más allá de cualquier medida.”

Conor Doherty: Entonces, si tienes toda una división dedicada a gestionar y evaluar riesgos, pero tu supply chain se basa en un enfoque de forecast basado en series temporales, ¿es tu posición que eso es casi paradójico, como una contradicción en términos?

Joannes Vermorel: No, simplemente significa que las personas que se dedican a la gestión de riesgos son simplemente burócratas. Lo que hagan no tiene consecuencias. Usualmente, simplemente no tienen consecuencias. Verás, lo que sucede es que, si haces una evaluación de riesgo pero estas cosas no pueden ajustar marginalmente cada decisión que se toma en tu supply chain, entonces has hecho una evaluación y simplemente la has enterrado justo después de hacerla.

Verás, si dices: “Oh, este proveedor tiene un 2% de riesgo de quebrar el próximo año”, bueno, ¿afecta eso tus decisiones de compra? Si no lo hace, entonces simplemente has enterrado tu evaluación. La estás ignorando. Simplemente estás metiendo la cabeza en la arena.

Y eso es muy extraño, porque la gente diría: “Oh, pero hemos analizado el riesgo.” Sí, pero no actúas en función de esa evaluación. Y cuando digo actuar, la gente realmente piensa que eso es un error. Cuando se habla de supply chain, eso es lo que oirías en los medios. Dirían: “Oh, no deberíamos tener nuestra fábrica en China.” Sí, ese es un riesgo muy macro, pero también existen riesgos mucho más mundanos.

Entonces, ¿qué compras, dónde lo almacenas, aumentas o disminuyes tus precios? Esas son decisiones que también conllevan riesgo, y esas decisiones se toman a diario para cada SKU que compras, produces o vendes. Y sea cual sea la evaluación que tengas en términos de riesgo sobre tu proveedor, tu competidor, tus clientes, la cuestión es que, si no hay algo que conecte numéricamente los puntos entre esa evaluación y esas decisiones tan pequeñas que tomas, entonces no estás gestionando el riesgo de manera adecuada.

Conor Doherty: Entonces, corrígeme si me equivoco, ¿estás diciendo que la concepción de la gestión de riesgos de la mayoría de las personas está a escala macro, como un evento masivo que interrumpe completamente las cadenas, pero tu posición es que la gestión de riesgos más importante y urgente es en las decisiones diarias, más pequeñas?

Joannes Vermorel: Ambas son muy importantes, pero seamos realistas sobre cuánto puedes estar verdaderamente informado para tomar la decisión correcta. Para aquellas decisiones macro, en gran medida, es una apuesta. Es una apuesta completa y eso está bien. Eso es capitalismo. Esta es una economía de ganancias y pérdidas. La gente toma riesgos y hay azar involucrado. Y lo que digo es que, bueno, no puedes realmente tener una práctica que te diga si, por ejemplo, entrar en un nuevo mercado es seguro o no. Puedes hacer evaluaciones, puedes tratar de racionalizar el proceso un poco, pero, fundamentalmente, es algo que escapa a la estadística y al análisis cuantitativo.

Por el contrario, si observas una supply chain, una empresa mediana va a tomar decenas de miles de decisiones al día, cada día. Y eso es a lo que me refiero: a diferencia de las grandes decisiones macro en las que se apuesta y no hay otra alternativa que seguir una evaluación instintiva, en el caso de esas decenas de miles de decisiones que se deben tomar diariamente, puedes hacer una evaluación cuantitativa y algo que realmente tenga sentido.

Conor Doherty: Bueno, para alejarnos de los ejemplos colosales, como los de escala macro, reduzcámoslo a algo a nivel de SKU. Así que, tenemos varias tiendas, tenemos 10 tiendas, y contamos con una cantidad finita de inventario, inventario de camisetas blancas, y las 10 tiendas necesitan camisetas blancas. ¿Cuál sería la forma probabilística, la más informada en cuanto al riesgo, de distribuir lo que tengo entre todas las tiendas según la necesidad?

Joannes Vermorel: Tomemos la perspectiva clásica. La perspectiva clásica, centrada en series temporales, va a asumir que conoces el futuro. Así que, tienes un stock de seguridad. Básicamente, dices que cada tienda debería tener esta cantidad en stock y, luego, para reconocer la pequeña incertidumbre residual encima de eso, vas a añadir un pequeño margen, y ese es tu stock de seguridad. Todas las tiendas se tratan de manera independiente y la idea es que deberías tener suficiente inventario para cubrir todas tus tiendas.

Ahora, ¿cuál es el riesgo real? El riesgo es que se te agote el stock a nivel de almacén y, luego, la pregunta se convierte en: tengo un recurso limitado en el almacén, ¿qué debo hacer para mis diversas tiendas? Si lo haces a la manera clásica, la manera clásica diría: tengo mi stock de seguridad, asigno primero para la primera tienda, aún me queda inventario, repito el proceso para la segunda tienda, y luego, tal vez, en la cuarta tienda, me detengo porque no queda inventario. Entonces, lo que habrás hecho es, efectivamente, llenar las primeras cuatro tiendas y no enviar nada a las demás. Esto no es muy inteligente. No se está tratando adecuadamente esta situación, esta pequeña mini crisis que se produce al quedar un producto sin stock en el almacén.

Conor Doherty: ¿Cuáles son, entonces, los riesgos desde la perspectiva financiera?

Joannes Vermorel: No, ese no es el caso. De eso se trata tu stock de seguridad. Cuando colocas un stock de seguridad, estás diciendo que estás poniendo unidades en una tienda que tienen muy baja probabilidad de ser vendidas durante tu ventana de tiempo relevante. De eso se trata el stock de seguridad. Es un margen que, lo más probable, no necesitarás.

Si quieres maximizar tus ventas, es mucho mejor repartir el inventario de tal forma que cada tienda tenga un poco. El objetivo es que todas las tiendas se queden sin stock al mismo tiempo. Obviamente, no se puede lograr realmente, pero es a lo que quieres acercarte.

Consideremos la situación alternativa en la que has concentrado el inventario en las primeras cuatro tiendas. Tienes todas las otras tiendas sin stock, por lo que no vendes en absoluto. Y para esas, solo vas a vender algo así como la mitad del inventario, de modo que te quedará mucho sobrante. Terminas en una situación en la que una tienda se queda sin stock mientras que otra tiene, comparativamente, exceso de inventario, y la demanda en las tiendas sin stock queda desatendida.

Conor Doherty: ¿Entonces ese es el riesgo?

Joannes Vermorel: Sí, y de ahí se deriva el riesgo de tener un faltante de stock. Una forma de gestionar esto es preservar el inventario en el almacén cuando ves que un producto está en riesgo de quedarse sin stock. De esta manera, las mejores tiendas aún pueden disponer de algo de mercancía.

A diferencia del enfoque de series temporales, que trataría cada una de nuestras 10 tiendas de forma independiente, un enfoque probabilístico tomará en cuenta la red, las contingencias o las interdependencias entre todas estas tiendas y la relación con mi inventario disponible.

Conor Doherty: Tengo curiosidad por saber exactamente cómo puede una empresa gestionar todo esto, ya que es mucha información en comparación, digamos, con el tradicional enfoque de series temporales. ¿Es la única forma de gestionar todo esto mediante la automatización o aún hay personas involucradas revisando estas decisiones?

Joannes Vermorel: La forma en que Lokad lo hace es automatizando todo el proceso. Hay personas para supervisar la automatización, pero la realidad es que la mayoría de las empresas, aunque afirmen que todo se valida manualmente, han estado utilizando procesos bastante automatizados durante mucho tiempo. Siempre que tienes una configuración de inventario min-max con una media y un máximo, cuentas con un autómata de replenishment que generalmente funciona sin supervisión. Este ha sido ya el caso de tener configuraciones extensamente automatizadas durante décadas.

Lokad es solo un paso más en esta dirección, pero no es necesariamente tan revolucionario en comparación con lo que la gente tenía antes. Es más automatizado, pero muchas empresas ya operan con configuraciones altamente automatizadas.

Conor Doherty: ¿Podría ser que una empresa que no aprovecha la automatización, pero, digamos, como mencioné antes, cuenta con divisiones enteras de expertos en gestión de riesgos, esas empresas están bastante al tanto, ¿no?

También se me ocurre que hemos centrado toda la conversación en riesgos más tangibles como skus, tiendas, inundaciones. Todos estos son recursos o activos muy tangibles y los riesgos correspondientes. ¿Existen riesgos intangibles, cosas como tiempo, ancho de banda, conocimiento, todas estas cosas que inciden en el funcionamiento de una empresa? ¿Cuáles son los riesgos en ese caso o cómo los gestionamos?

Joannes Vermorel: Existen riesgos intangibles. Por ejemplo, si eres una empresa de moda y haces ventas, generas la expectativa entre tus clientes de que esos descuentos volverán a ocurrir en el futuro, y así la gente modifica su comportamiento. Estimar este proceso en teoría es posible, pero en la práctica es muy difícil, porque construir la expectativa de tus clientes es algo que se logra durante muchos años, por lo que no es algo en lo que la experimentación resulte fácil.

Por ejemplo, si eres una marca de lujo y tienes la convicción de que nunca deberías hacer promociones porque devalúan tu marca, no vas a realizar un test de cinco años para ver si hacer promociones realmente devalúa tu marca. En algún momento, necesitas operar basándote en convicciones y juicio en lugar de realizar pruebas.

El costo que se genera al hacer una promoción es muy real. Cuando haces una promoción, renuncias de inmediato a una cierta cantidad de dinero al bajar tu precio, por lo que sacrificas algo de margen. Ese es un costo inmediato, pero también existe el riesgo extra de que se generen malos hábitos en el lado del cliente y necesitas cuantificar esos costos.

También existen otras categorías de riesgo, tales como las dependencias de TI. Puedes tener software que se desmorona, puedes tener muchas otras cosas que simplemente impactan tu supply chain. Pero estos riesgos son más parecidos a los de la manufactura, donde deseas que tu ERP esté con 100% uptime. No hay razón para tener tiempo de inactividad, puedes diseñar algo que esté increíblemente cerca del 100% de uptime.

Conor Doherty: Acabas de mencionar que, desde una perspectiva de estrategia de precios, los descuentos podrían inculcar malos hábitos de consumo. ¿Qué querías decir con eso?

Joannes Vermorel: Cada vez que haces una promoción, el cliente ve que haces una promoción. Así que la próxima vez, dirá, “No compraré al precio completo. Simplemente esperaré hasta que vuelvas a hacer una promoción. He visto que haces promociones, así que sé que las promociones ocurren con tu marca, por lo que puedo esperar. Esperaré hasta que hagas una promoción y entonces compraré.”

El problema es que nada será realmente capaz de modelar eso. Modelar la psicología de tus clientes está, en gran medida, fuera de tu alcance, porque se necesita una década para moldear la mentalidad de tus clientes.

Cuando estableces un precio, transmites un mensaje a tus clientes. Las personas prestan cierto nivel de atención, pero se necesita tiempo para que ese mensaje calce. Por lo tanto, hay una inercia considerable. Puedes intentar hacer un modelado sofisticado para estimar exactamente cuál sería el impacto, pero la realidad es que, dado que este tipo de cosas toma años, no vas a poder experimentar mucho. No vas a poder validar las técnicas que estés usando. Por lo tanto, en realidad, necesitas tomar decisiones basadas en el juicio.

Conor Doherty: Entonces, ese es un elemento del protocolo de gestión de riesgos que aún estará dentro del ámbito de las personas que deben llegar a un consenso. ¿Queremos liquidar ese stock? ¿Queremos quedarnos con él para siempre? ¿O queremos venderlo en una promoción?

Joannes Vermorel: Sí, y cuando tienes este enfoque impulsado por el riesgo, es mucho más compatible con ese tipo de estimaciones aproximadas en comparación con un forecast de planificación de series temporales tradicional, donde este tipo de cosas no tenía cabida.

Conor Doherty: Entonces, el principio rector para determinar qué tipo de políticas basadas en reglas de pulgar deberían adoptar las empresas es: ¿contribuye a un mayor retorno?

Joannes Vermorel: Si algo puede evaluarse cuantitativamente, entonces hazlo. Pero cuando no es posible, y aun así hay un consenso general de que es importante, entonces deberías hacer una estimación aproximada.

Creo que es un camino muy peligroso decir que no tenemos cifras razonables y, por lo tanto, fingir que no existen. Existen y, por lo tanto, necesitas hacer una estimación aproximada. Es mejor tener un número que sea aproximadamente correcto en lugar de exactamente correcto.

Conor Doherty: Siento que estamos llegando a la conclusión, pero me gustaría hacer una pregunta un poco difícil. Hablaste sobre si un análisis cuantitativo es financieramente prohibitivamente costoso. Entonces, para las empresas más grandes que pueden permitirse políticas de forecast y gestión de riesgos más elaboradas, quizá puedan adoptar un enfoque probabilístico. Pero para las empresas que no tienen ese tipo de efectivo disponible, ¿qué consejo les darías en términos de gestión de riesgos que fuera accionable?

Joannes Vermorel: Yo desafiaría: ¿realmente puedes permitirte ignorar el riesgo? El inventario cuesta dinero. El plan de precios para tener un Supply Chain Scientist que te asista en optimizar tu decisión es algo así como 2,500 euros al mes. Sí, es una cantidad sustancial de dinero, pero si no eres una empresa pequeña, si eres una empresa de más de 10 millones de dólares o euros, esto no es una cantidad enorme de dinero. De hecho, es una fracción de lo que pagas por una sola persona.

Si resulta que tienes cinco o más personas que están cumpliendo funciones de supply chain, tales como reposición de inventario, programación de producción, inventory allocation, gestión de precios, y tienen un proceso que ignora por completo el riesgo, diría: ¿realmente puedes permitirte continuar haciendo eso? Ignorar esos riesgos puede costarte varios millones de dólares solo porque tomaste una muy mala decisión al ignorar por completo el riesgo.

Debido a que es inusual, la gente esperaría que esas cosas estuvieran reservadas únicamente a empresas como Amazon y demás. No, no es así. En gran medida, el forecast clásico de series temporales es mucho más complicado y la razón es que no se ajusta al problema. Así que sí, en superficie parece más simple porque la gente está acostumbrada a las series temporales, pero cuando se trata de la resolución real del problema, no encaja con lo que realmente sucede, y esta solución, aunque parece fácil en la práctica, resulta ser una pesadilla de implementar y utilizar en comparación.

El tipo de forecast probabilístico que Lokad está utilizando para clientes pequeños, pequeñas empresas, es inusual, pero encaja muy bien con el problema y, por lo tanto, al final, ya sabes, y eso nuevamente en mis conferencias doy ejemplos en los que, si quieres ver técnicas de probabilidad, la mayoría de mis ejemplos de código tienen menos de 20 líneas. Así que la gente diría, oh, esto es increíblemente complicado, y yo digo, bueno, son como 20 líneas de código y puedes exponer el detalle completo del método en una conferencia de aproximadamente una hora y media.

¿Realmente se puede decir que tu empresa es tan pequeña que no puedes permitirte gastar algo como unas pocas decenas de horas en el asunto? ¿Es realmente inaccesible para ti? Quiero decir, sí, si eres como una boutique con solo una persona, pero si eres una empresa que factura más de 10 millones de dólares al año, no eres una boutique. Ya tienes mucho en juego y los errores pueden costar mucho más y, a la inversa, porque no solo se trata de errores, sino también de oportunidades.

Si al aumentar tu precio en el momento adecuado incrementas tu margen en un diez por ciento, eso puede resultar en unos cientos de miles de dólares de efectivo puro fluyendo hacia tu empresa, lo cual realmente compensa el costo de tener a algunas personas dedicando tiempo al riesgo.

Conor Doherty: Entonces, si tuviera que resumir eso, sería esencialmente que hay un elemento de salto de fe, pero el agua no está tan fría una vez que lo haces…

Joannes Vermorel: Yo diría que no se trata tanto de un salto de fe. Creo que existe esta idea muy extraña de que, según la teoría dominante del supply chain, los riesgos no existen, literalmente. Tienes esas fluctuaciones súper suaves de la demanda y fluctuaciones súper suaves de los tiempos de entrega modeladas con distribuciones normales, lo cual, cuando la gente dice distribución normal, es una manera de decir que no hay riesgo.

La realidad es que nunca he conocido a ningún emprendedor que no estuviera completamente consciente de que el negocio que tiene está lleno de riesgos por todas partes. La locura es que, con el supply chain software, la gente finge que los riesgos no existen, pero los riesgos siguen allí y, por lo tanto, las empresas enfrentan rutinariamente catástrofes que son muy costosas debido a riesgos que, repito, no son, como cuando se invierte en el mercado ruso en 1991 pensando que funcionará y de repente se convertirá en el nuevo El Dorado.

Estoy diciendo que las empresas enfrentan catástrofes por cosas que eran completamente prevenibles, cosas que estaban realmente dentro del margen del riesgo esperado, como problemas de proveedores, precios que suben o bajan, demanda fluctuante, pero no fuera de lo que se podría esperar de la evolución general del mercado. Estas cosas, y mi punto es que existe esta locura en la que la mayoría de las prácticas dominantes ignoran completamente el riesgo.

Cuando hablo con profesionales del supply chain, dicen que sí, hay mucho riesgo, pero el punto es que no pueden salvar la brecha, y yo digo que no es muy difícil; es solo muy diferente de lo que estás haciendo y, además, no solo se conoce, sino que en realidad es más barato, porque también conduce a un mayor grado de automatización, ya que una de las razones por las que necesitas a tantas personas cuando haces supply chain con series temporales es que existe un desajuste masivo entre la realidad y esas series temporales, y necesitas a muchas personas para simplemente parchear el proceso todo el tiempo.

Pero si tienes algo en lo que existe un mejor ajuste, no necesitas casi tanta gente para parchear el proceso.

Conor Doherty: Con esto, creo que concluiré. Joannes, muchas gracias como siempre, ha sido un placer. Y muchas gracias a todos por vernos, nos vemos la próxima vez.