00:00:00 Introducción y definición de términos
00:02:40 Incertidumbre y costo de salvaguardia en la cadena de suministro
00:03:54 Gestión de riesgos y minimización de desperdicios
00:05:30 Riesgo irreducible y oportunidades en la cadena de suministro
00:07:37 Cadena de suministro vs perfección en la fabricación
00:09:35 Riesgos y oportunidades en la cadena de suministro y competidores
00:14:09 Problemas con el enfoque estático en la cadena de suministro
00:15:56 Errores predecibles como práctica empresarial
00:18:46 Ingeniería de agilidad en la cadena de suministro
00:21:20 Valor en dólares del riesgo y las oportunidades
00:23:36 Optimización financiera de los riesgos de la cadena de suministro
00:26:37 Enfoque de Lokad para el pronóstico probabilístico
00:29:53 Riesgo de interrupción masiva y desastres regionales
00:31:59 Considerar los riesgos en las decisiones diarias de la cadena de suministro
00:34:08 Riesgo de perder grandes clientes y correlación de riesgos
00:37:03 Distorsión en las proyecciones de mapas y modelos matemáticos
00:42:31 Construcción de pronósticos y riesgo de series temporales
00:45:20 Optimización estocástica y enfoque probabilístico
00:48:36 Descomposición de los impulsores económicos para las decisiones de la cadena de suministro
00:51:44 Empresas a menudo sorprendidas por eventos pasados
00:57:00 Pronósticos dañinos y entropía cruzada en la previsión
01:00:00 Importancia de evaluaciones de riesgo accionables
01:06:49 Riesgos financieros de la distribución de inventario
01:13:54 Costo de promociones y dependencias de TI como riesgo
01:17:22 Dificultad de modelar la psicología del cliente
01:24:26 Evaluación de pronósticos de series temporales
01:27:33 Riesgos en el software de cadena de suministro convencional
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 la gestión de la cadena de suministro. Vermorel enfatiza que el principal riesgo es la incertidumbre del futuro, que es irreducible y está fuera de control. Señala que cada decisión implica un compromiso entre riesgo y recompensa, y que el riesgo cero es inalcanzable. Vermorel también destaca las oportunidades que pueden surgir de estos riesgos, como aprovechar las escaseces del mercado. Aboga por una mentalidad ágil y oportunista, y el uso de pronósticos probabilísticos para mitigar el riesgo. Vermorel y Doherty concluyen coincidiendo en que incluso las pequeñas empresas pueden beneficiarse de la gestión de riesgos, lo que conduce a márgenes y flujo de efectivo aumentados.

Resumen Extendido

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

Vermorel enfatiza que cada decisión en la gestión de la cadena de suministro implica un compromiso entre riesgo y recompensa, y que la incertidumbre sobre el futuro es irreducible. También señala que el riesgo cero no existe en las cadenas de suministro. Incluso con un proceso de fabricación perfecto, siempre hay un riesgo 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 las cadenas de suministro es la incertidumbre del futuro. Explica que este riesgo es irreducible y a diferencia de otras áreas como la contabilidad donde los riesgos se pueden eliminar, los riesgos de la cadena de suministro están fuera de control y solo se pueden mitigar. También señala que si bien existen riesgos en las cadenas de suministro, también hay oportunidades. Por ejemplo, tener mucho stock cuando el mercado enfrenta una escasez puede generar una buena ganancia.

Vermorel está de acuerdo con la observación de Doherty de que los riesgos en las cadenas de suministro parecen ser más comunes y tener efectos financieros predecibles. Él enfatiza que la gestión de la cadena de suministro implica lidiar con muchos riesgos y oportunidades que en su mayoría están fuera de control, y lo único que se puede hacer es tomar decisiones que equilibren estos riesgos y oportunidades.

Vermorel explica que tanto los riesgos como las oportunidades pueden surgir en las cadenas de suministro. Por ejemplo, la entrada o salida de un competidor del mercado puede disminuir o aumentar los precios, afectando la rentabilidad. También da un ejemplo de una empresa de comercio electrónico europea que capitalizó un evento sorprendente para obtener una ganancia excepcional.

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

Vermorel habla sobre el costo de los defectos en la fabricación de automóviles, señalando que en la gestión de la cadena de suministro no hay restricciones estrictas y todo es elegible para la optimización financiera. Explica que la previsión se utiliza en la gestión de la cadena de suministro para mitigar el riesgo. Sin embargo, a diferencia de los defectos en la fabricación de automóviles, las inexactitudes en las previsiones nunca se eliminarán por completo.

Vermorel introduce el concepto de pronóstico probabilístico, donde cada posible futuro tiene una probabilidad. Explica que los riesgos como un 2% de probabilidad de perder clientes se pueden tener en cuenta en los pronósticos probabilísticos al pronosticar el comportamiento de los clientes, en lugar de la demanda de los productos.

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

Vermorel sugiere que la entropía cruzada, una medida de la precisión del pronóstico probabilístico, es tan abstracta como los porcentajes, pero tiene buenas propiedades para aprender modelos de alta calidad. Enfatiza que los resultados finales, que resultan en errores reducidos en términos de dinero, son la métrica más importante.

Vermorel sugiere que estas divisiones de gestión de riesgos a menudo son burocráticas y sus evaluaciones no tienen consecuencias si no ajustan cada decisión individual en la cadena de suministro. Argumenta que si las evaluaciones de riesgo no afectan las decisiones de compra, se están ignorando.

Vermorel está de acuerdo, argumentando que si bien ambos son importantes, las decisiones macro a menudo son un juego de azar, mientras que las decisiones diarias se pueden evaluar cuantitativamente.

Vermorel habla sobre la perspectiva clásica de la gestión de la cadena de suministro, donde cada tienda se trata de forma independiente y se mantiene un stock de seguridad para cubrir posibles escaseces. Sin embargo, este enfoque puede llevar a problemas como quedarse sin stock a nivel de almacén. Critica el enfoque tradicional de asignar el stock de seguridad a las tiendas de forma secuencial, lo que puede resultar en que algunas tiendas estén completamente abastecidas mientras que otras no reciben nada. Esto puede llevar a una demanda insatisfecha y un exceso de stock en ciertas tiendas.

Vermorel sugiere que un enfoque mejor 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 habla sobre los 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 que puede ser difícil de cuantificar y gestionar. También menciona otras clases de riesgo, como las dependencias de TI, que pueden afectar la cadena de suministro.

Vermorel explica que las promociones pueden llevar a que los clientes esperen futuras promociones antes de realizar compras, lo que 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 aproximadas en comparación con los pronósticos tradicionales de series de tiempo de planificación.

Vermorel desafía la noción de que solo las grandes empresas pueden permitirse gestionar el riesgo, argumentando que ignorar el riesgo puede ser más costoso. Sugiere que los pronósticos probabilísticos pueden ser más efectivos y más fáciles de implementar que los pronósticos tradicionales de series de tiempo. Vermorel sostiene que incluso las pequeñas empresas pueden beneficiarse de la gestión del riesgo, ya que puede conducir a márgenes y flujo de efectivo aumentados.

En conclusión, Vermorel está de acuerdo con el resumen de Doherty, argumentando que muchas empresas enfrentan catástrofes evitables debido a la ignorancia del riesgo. Sugiere que una mejor coincidencia entre la realidad y la gestión de la cadena de suministro puede llevar a un mayor grado de automatización y a menos personas necesarias para gestionar el proceso.

Transcripción completa

Conor Doherty: ¡Bienvenidos de nuevo a LokadTV! El riesgo es sistémico en la cadena de suministro. Desde cierta perspectiva, cada decisión de la cadena de suministro presenta posibles clases de riesgo, ya sea directa o indirectamente. Aquí para explicar por qué, e importante cómo evitarlos, tenemos a Joannes Vermorel, fundador de Lokad.

Entonces, 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 la cadena de suministro, ¿qué es exactamente la gestión del riesgo y cómo difiere de la gestión del riesgo en otros campos como la fabricación?

Joannes Vermorel: La principal fuente de riesgo en la cadena de suministro es el futuro que no conoces. En la fabricación, se trata principalmente de tener el proceso correcto. Si tienes el proceso correcto, posiblemente puedas producir mil millones de piezas sin enfrentar ningún defecto. Entonces, en términos de fabricación, puedes eliminar el riesgo. El riesgo no está tan relacionado con el 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 incendie.

En la cadena de suministro, es literalmente el futuro que no conoces y no puedes salvaguardar todas las posibilidades porque eso es demasiado costoso. Siempre existe la posibilidad de que la demanda de productos específicos aumente 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 esta posibilidad remota de enfrentar este pico de demanda súper impredecible?

Fundamentalmente, diría que, a diferencia de otros dominios, en la cadena de suministro, las fuentes de riesgo son las condiciones futuras que no conoces y cada decisión que tomas es una especie de compensación sobre el tipo de riesgo y recompensas también que se presentan en conjunto con esta incertidumbre sobre el futuro. Y diría que la incertidumbre sobre el futuro es irreducible, a diferencia, digamos, de la incertidumbre como los activos físicos en tu proceso de fabricación en una fábrica.

Riesgo cero nunca existe. Aunque si estás mirando un proceso de fabricación, puedes acercarte mucho, mucho a cero. Quiero decir, no es absolutamente cero, pero está muy, muy cerca. En cuanto a la cadena de suministro, mira cualquier producto, siempre hay un porcentaje de riesgo 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 puede decir con absoluta confianza que todavía existirán dentro de cinco años, especialmente si tenemos en cuenta que el producto puede ser reemplazado por una variante, que aún se considera un SKU diferente.

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

Joannes Vermorel: La fuente de riesgo es literalmente el hecho de que no conoces el futuro. Si tuvieras una bola de cristal mágica que te dijera el futuro, teóricamente podrías tener una práctica de cadena de suministro casi sin riesgos, suponiendo que tengas suficiente dinero.

Esta fuente de riesgo es irreducible y se siente extraña en muchas otras áreas. Por ejemplo, en contabilidad, tienes el riesgo de cometer errores contables, pero para eso están esas prácticas contables, para eliminar esencialmente este riesgo. Cuando piensas en términos de riesgo asociado con prácticas contables incorrectas, realmente quieres que eso sea súper raro.

En la cadena de suministro, no tienes esa opción. No importa si eres bueno, si tienes las prácticas correctas, el riesgo es irreducible. Puede haber una guerra, bloqueos, incendios, todo tipo de eventos que están más allá de tu control y que desviarán masivamente la demanda de una manera u otra. Esa es la principal fuente de riesgo, que no sabes y todo lo que puedes hacer es mitigar esos riesgos. Pero también, como hay riesgo, también hay oportunidades que no existen en otras áreas como las prácticas contables.

Por ejemplo, si resulta que tienes mucho stock de algo mientras el mercado enfrenta una escasez, puedes obtener potencialmente una buena ganancia al vender este inventario a un precio más alto.

Conor Doherty: Parece que muchos de esos problemas en la cadena de suministro 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 estás hablando en el contexto de la cadena de suministro, como la extensión de los tiempos de entrega o incluso su aceleración en un par de días, son presumiblemente bastante regulares y tienen efectos financieros predecibles.

Joannes Vermorel: Sí, y no dependen de ti. Eso también es algo muy diferente. Si estás en un proceso de fabricación en una planta y tienes defectos, arreglar el proceso para que no haya defectos más está en tus manos. Potencialmente puedes llegar a esos estados de cero defectos que es la perfección, o puedes acercarte mucho a la perfección.

Nuevamente, si nos adentramos en el mundo de la cadena de suministro, no es así. Quiero decir, esas cosas, por definición, si tienes un tiempo de entrega, tienes un proveedor y esta empresa está fuera de tu control. E incluso si internalizas, puedes tener un transportista y aún está fuera de tu control. E incluso si internalizas el transportista, la carretera puede estar cortada porque la autopista está inundada o hay algo más y nuevamente está fuera de tu control.

Entonces, lo que hace que la práctica de la cadena de suministro sea tan específica es que estás lidiando con muchos riesgos y, a su vez, muchas oportunidades y en su mayoría están fuera de tu control. Entonces, 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 de riesgo, ¿te refieres a perder oportunidades?

Joannes Vermorel: Sí, un competidor puede entrar repentinamente en el mercado y bajar los precios. Eso es un riesgo. Entonces, es posible que te veas obligado a bajar tu precio a su vez y luego seas menos rentable de lo que esperarías o incluso tal vez ya no seas rentable. Pero lo contrario también puede suceder. Un competidor puede salir de tu mercado. En este 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, tal vez tu almacén se inunde o tal vez el almacén de uno de tus competidores se inunde. Entonces, cuando las personas piensan en el riesgo nuevamente en entornos de fabricación, tienen un objetivo claro que es la perfección. Entonces, cuando piensas en el riesgo, necesariamente no hay ventajas aleatorias realmente oportunísticas específicas.

Pero en la cadena de suministro, 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 tienen la capacidad correcta o tienen la asignación incorrecta y luego surgen oportunidades.

Por ejemplo, una gran empresa de comercio electrónico europea, una de sus técnicas era que comenzarían a vender productos de moda e identificarían muy rápidamente en la temporada los superventas, literalmente en uno o dos días. Y lo que harían es pasar de inmediato un pedido gigantesco a la marca original y acapararían todo el stock.

Sorprendentemente, fue muy bien recibido, y así decían: “Ok, si esta cantidad de ventas nos toma por sorpresa, lo más probable es que también tome por sorpresa a la marca original. Entonces, ¿qué sucederá si hacemos un pedido masivo? Estaremos sentados sobre una gran cantidad de inventario mientras todos los demás se están quedando sin stock. Podemos vender los mismos productos a un precio ligeramente más alto que el precio normal, y aún así venderemos todo sin incurrir en ninguna penalización relacionada con las ventas de fin de temporada”.

Entonces, ves, la idea es que hay 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 está disponible y luego obtener una ganancia excepcional en este producto. Entonces, ves, el riesgo está ahí, 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 una oportunidad. Este vendedor de moda de ropa identificó una oportunidad y respondió de manera muy ágil a esta oportunidad. Entonces, esa fue una aproximación reactiva para gestionar oportunidades y evitar riesgos. ¿Es eso lo mejor que se puede hacer en la cadena de suministro, o existe un mecanismo proactivo para anticipar este tipo de eventos?

Joannes Vermorel: Tendría una respuesta de dos partes para eso. Primero, tienes toda la razón. Se hizo con una mentalidad ágil, una mentalidad oportunista, y se aplica igualmente para el riesgo y las oportunidades. Lo interesante es que si vienes de una perspectiva como la manufactura, esta no es la perspectiva que adoptas. Solo quieres eliminar el riesgo. Es un problema estático. O tu proceso no tiene riesgo, defectos ni peligros, y estás bien, o no lo tiene, y tienes que solucionarlo.

Aquí en la cadena de suministro, lo interesante es que cuando intentas abordar el riesgo con este tipo de mentalidad estática, lo ves como algo que podrías solucionar de una vez por todas. Pero el problema es que no funciona porque si tienes algo que es completamente estático, entonces ya no puedes aprovechar las oportunidades. Pero la realidad es que tampoco puedes reaccionar ante el riesgo emergente. Es completamente simétrico. Así que tienes oportunidades que surgen, pero también habrá riesgos que simplemente aparecen y sorprenden a todos, y también necesitas reaccionar rápidamente. Así que es simétrico.

Ahora, ¿qué significa estar preparado? Como mencionaba este ejemplo de esta gran empresa de comercio electrónico europea que juega a acaparar el inventario de marcas, esta es una práctica establecida. Saben que debido al hecho de que una gran marca de moda va a tener una colección de tal vez 20,000 variantes distintas, se cometerán errores. Es una certeza. No sabes cuál, pero la idea de que una marca considerable pueda tener todo correctamente dimensionado en términos de inventario es una apuesta relativamente segura para decir que se cometerán errores. Y así, puedes establecer una práctica donde conviertes esos errores predecibles en tu ventaja.

Conor Doherty: Cuando hablas de ingeniar un proceso en una empresa como alguien que trabaja con bienes de consumo de movimiento rápido, ¿cómo exactamente lo pones en práctica? ¿Es un proceso de arriba hacia abajo o de abajo hacia arriba? Quiero decir, aprovechar esas oportunidades, ¿cómo pones en práctica ese tipo de proceso?

Joannes Vermorel: Como la mayoría de las cosas en la cadena de suministro, tiene que ser en cierta medida de arriba hacia abajo. No puedes esperar que las personas en la base tengan alguna forma de reingeniar la organización en sí misma. Por ejemplo, si decides que tu proceso es como SNOP (Planificación de Ventas y Operaciones) y luego tienes sesiones trimestrales para SNOP donde pasas dos meses para establecer tu nuevo pronóstico y que todos estén de acuerdo en eso, establecer un gran consenso, y luego todos son encuestados y luego necesitas compilar todos los resultados y luego necesitas volver a traducir los pronósticos que son por semana por categoría en algo que tenga sentido en términos de decisiones, te encuentras en una situación en la que no importa si las personas en la base son ágiles o no. El proceso y la organización en sí misma impiden cualquier tipo de agilidad de todos modos. Entonces, en gran medida, si quieres ser ágil, esto tiene que ser ingenierizado desde arriba para que esta agilidad pueda incluso suceder. Pero luego, una vez que has ingenierizado algo donde se convierte en una posibilidad, entonces sí, es algo mucho más de abajo hacia arriba porque luego 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 invertimos el ejemplo que diste, en lugar de centrarnos en la empresa que vendía estas camisetas que se vendían como pan caliente y decidió acaparar el mercado en esto, eso es aprovechar una oportunidad. Desde la perspectiva del proveedor, si te encuentras en una situación así donde de repente, de la nada, la tienda de ropa de Joannes me llama y me dice: “Oh, queremos todas las camisetas que tienes, todas las camisetas negras, las compraremos ahora mismo”, ¿es algo de lo que debería desconfiar? Porque nuevamente, hay riesgo y oportunidad ahí. Como proveedor, ¿debería vender? Es una venta garantizada en este momento, hoy, lo liquidamos todo. ¿O debería investigar por qué él estaría tratando de comprar estas camisetas en este momento? ¿Hay algo más en juego aquí?

Joannes Vermorel: Realmente depende de si puedes permitirte dedicar tiempo a investigar. Si hay una conexión EDI y las compras son completamente automatizadas y ni siquiera hay alguien en el proceso, realmente depende. Pero tener comportamientos adversarios en todas partes es solo otro día en la cadena de suministro. Tus proveedores son tus mejores socios y potencialmente tus competidores porque también pueden limitar tus ganancias. También pueden convertirse en competidores con el tiempo, decidir tener sus propias marcas, etc. Y lo contrario también es cierto. Si eres una marca, puedes decidir internalizar y de repente compites con lo que eran tus antiguos proveedores. Entonces, no hay reglas generales, realmente depende. Pero lo interesante es que en la cadena de suministro, puedes poner recompensas y oportunidades en dólares o euros en ese tipo de cosas.

Nuevamente, si volvemos a la fabricación de automóviles, ¿cuánto cuesta tener un defecto que cause la muerte de una persona? La respuesta es demasiado. Entonces, ves, no es el tipo de cosa en la que vas a hacer ingeniería sofisticada porque en su mayoría no es aceptable. Entonces, sí, en teoría, los economistas te dirían que el costo de una vida humana en los Estados Unidos según varias cosas es, digamos, cinco millones, lo que sea, incluso podrías argumentar eso. Pero la realidad es que nadie va a hacer ingeniería realmente seria. Solo harían lo que puedan para que esos problemas donde alguien muere simplemente no ocurran. Y así, no hay una ingeniería financiera real porque, nuevamente, si lo tomas desde el ángulo de la fabricación, solo quieres evitar por diseño ese tipo de problemas y no estás tratando de optimizar tu riesgo en el sentido de equilibrar los pros y los contras, solo quieres eliminar eso. Pero en la cadena de suministro, no puedes, y será un verdadero compromiso. Todo lo que hagas tiene un costo, hay una recompensa y solo hay tonalidades de gris. Entonces, 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 sin stock en absoluto y simplemente hacer back orders todo el tiempo. Entonces, tienes mucha más flexibilidad y también tienes muy pocas restricciones en la cadena de suministro. Si estás dispuesto a pagar, casi no hay restricciones en absoluto. ¿Quieres más espacio de almacenamiento? Si estás dispuesto a pagarlo, en realidad puedes pagar para construir un segundo almacén. Entonces, en última instancia, todos los tipos de restricciones, todos los tipos de riesgos y recompensas, son algo flexibles y, por lo tanto, son muy elegibles para la optimización financiera en lugar de 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 queremos eso”. Entonces, la cadena de suministro tiene esta ventaja de que la gran mayoría de los problemas son en realidad problemas flexibles donde puedes pasar de un servicio muy malo a un servicio 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 calidad de servicio.

Conor Doherty: El ejemplo que diste de la fabricación de automóviles en realidad presenta una transición muy interesante porque sé que en la fabricación de automóviles, por ejemplo, Ford, gestionan el riesgo, especialmente con sus vehículos autónomos, utilizando “digital twins”. Construyen una versión digital y un entorno digital y luego, utilizando algoritmos, someten al vehículo autónomo teórico a una serie de pruebas y evalúan su riesgo sin tener que producir un prototipo en el mundo real. Eso es un paso para gestionar su riesgo. ¿Hay algo así para la cadena de suministro? Porque nuevamente, no es un producto físico en sí mismo, aunque está compuesto por muchas partes móviles.

Joannes Vermorel: Eso es lo interesante. Eso es lo que intentas hacer de alguna manera con la previsión. Intentas mitigar este riesgo que tienes sobre este futuro incierto a través de la previsión. Idealmente, si tus previsiones fueran perfectas, simplemente eliminarías este riesgo. Es por eso que hay muchas prácticas de la cadena de suministro que tratan la precisión de la previsión como los fabricantes de automóviles tratan los defectos en sus pastillas de freno, como algo que debes eliminar.

Pero el problema es que a diferencia de los defectos en las pastillas de freno, donde potencialmente puedes reducir esta tasa de defectos a uno por mil millones, de modo que sea tan baja que sea insignificante, la inexactitud de la previsión nunca va a llegar a 0.01 de error. Por lo general, se va a quedar atascada, si observas la granularidad que tiene sentido en términos de previsión para las decisiones, es decir, por SKU por día, te vas a quedar con previsiones ampliamente inexactas, como un promedio del 50% de inexactitud, por día por SKU, si miras unos meses hacia adelante.

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 la previsión probabilística, solo por esta razón. Es una forma de abrazar esta incertidumbre. Pero eso es muy diferente del paradigma clásico que simplemente asume que la previsión será precisa y donde si hay inexactitudes, esto se trata como un defecto que debe resolverse.

El enfoque de Lokad, la previsión probabilística, es que no asumimos ni siquiera esperamos que esas inexactitudes desaparezcan. Lo que tenemos son probabilidades. Podemos mejorar nuestros modelos para tener probabilidades un poco más concentradas, de modo que tengamos una visión un poco más clara sobre el futuro. Pero la perspectiva general es que va a seguir siendo extremadamente difusa y extremadamente incierta, sin importar qué.

Conor Doherty: Quiero destacar un punto importante y simplemente quiero amplificarlo. Cuando hablas de prever la demanda futura, la mayoría de las personas lo entenderían como simplemente mirar los datos de ventas anteriores y llegar a un número, como en una serie temporal. ¿Es tu posición que el enfoque de previsión probabilística tendrá en cuenta no solo los datos históricos sino también las otras clases de riesgo de las que estamos hablando, como los plazos de entrega prolongados, un barco que queda atrapado en un canal, o algo así, y los fusiona juntos?

Joannes Vermorel: Sí, absolutamente. Es por eso que en Lokad hablamos típicamente de modelado predictivo en lugar de previsión. En teoría, podrías prever cualquier cosa, pero la realidad es que cuando dices previsión, la expectativa predeterminada es que estás hablando de la demanda o las ventas. Esa es el 99% de la situación cuando la gente dice que tenemos una previsión, se refieren a una previsión de las ventas o la demanda. Pero la realidad es que cualquier cosa que sea incierta sobre el futuro se puede anticipar y, por lo tanto, tenemos este modelado predictivo.

Lo interesante es que hay muchas cosas donde puedes modelar el riesgo incluso si no tienes realmente datos. Por ejemplo, la guerra en Europa. Si miras los últimos 100 años, ha habido una guerra importante cada medio siglo aproximadamente. Entonces, si lo miras, eso significa que cada año hay como un dos por ciento de probabilidad de que haya una guerra que te afecte. Puedes retroceder cinco siglos en la historia de Europa y eso es algo que ha estado sucediendo una y otra vez.

Espero que el riesgo de una guerra real en Europa Occidental sea bastante bajo en este momento, pero nuevamente, si tomas una perspectiva histórica, decir que hay un dos por ciento de probabilidad de tener un faltante de stock masivo no es relativamente descabellado. Mira lo que está sucediendo en Ucrania. El riesgo es definitivamente real y hace 20 años estaba en la ex Yugoslavia. Entonces, ese tipo de cosas suceden y no necesitas tener datos precisos para decir que podemos poner un dos por ciento de riesgo de un evento disruptivo importante.

Puede que dependas de la región, puede que te inunden, puede que haya incendios. Hay muchos riesgos donde puedes hacer una evaluación aproximada. Es mejor hacer eso en lugar de pretender que esos riesgos no existen en absoluto. Y con la previsión probabilística, agregar un dos por ciento de riesgo que es un poco estimado, decir una caída importante de la demanda, eso técnicamente es bastante sencillo.

En contraste, si lo haces, si te acercas al futuro con una previsión clásica determinista de series de tiempo, es casi imposible hacer eso. Sí, puedes decir que tenemos un escenario donde ocurre un desastre, pero ¿cómo concilias este escenario, que difiere ampliamente de tu previsión principal, con lo que estás haciendo a diario? En la práctica, no puedes.

Entonces, hay muchas empresas que dicen: “Oh, hacemos escenarios, modelamos el riesgo”, pero la realidad es, ¿qué pasa con tus decisiones diarias? Todas esas decisiones diarias están impulsadas al 100% por la previsión mediana o la previsión promedio, que ignora por completo todo el riesgo. Entonces, en este sentido, sí, hiciste algunos ejercicios intelectuales para pensar en el riesgo, pero si todas las decisiones que tomas a diario no incorporan este riesgo de una forma u otra, entonces esto es solo un ejercicio intelectual. No tiene consecuencias en lo que estás haciendo a diario.

Conor Doherty: Quiero presionarte un poco en este punto porque también estoy curioso. Si piensas en otras técnicas de previsión como, digamos, el valor añadido de la previsión en el que las personas colaboran para agregar valor a una previsión y la idea es que diferentes departamentos tienen ideas. Toma un ejemplo, un nuevo competidor está a punto de surgir y tienes esa información, el marketing tiene esa información y de alguna manera la incorporan en una serie de tiempo. Eso es un poco difícil de hacer porque ¿cómo traduces ese tipo de conocimiento en una previsión? De manera similar, aquí es donde estoy presionando un poco, ¿cómo se factoriza exactamente un dos por ciento de probabilidad de guerra en Europa Occidental en una previsión probabilística para llegar al número de unidades que tengo en mi estante? Porque parecen similares de alguna manera.

Joannes Vermorel: Comencemos con las series de tiempo. Verás, en la actualidad, la gente piensa que las series de tiempo son la única forma de expresar cualquier cosa que sepas sobre el futuro. Sin embargo, las series de tiempo 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 uno de tus competidores. Y cuando esto sucede, todos los productos que te compraban dejarían de comprar cualquier cosa. Y si tenías, por ejemplo, en stock un producto que era comprado de manera rutinaria por este cliente, pero este cliente de repente te abandona, entonces esa pila de inventario se convierte en stock muerto de la noche a la mañana. Simplemente porque, aunque el stock estaba rotando bien, venía con un riesgo oculto de que este cliente pudiera abandonarte.

Aquí tenemos, y la idea de que estos grandes clientes te abandonen no es una idea super sofisticada. Cualquier vendedor diría: “Bueno, teníamos este cliente, siempre existe el riesgo de que nos abandonen”. Ahora, el problema es que si enmarcas tu anticipación del futuro con series de tiempo, estás atrapado. No puedes expresar eso porque la información que tienes es sobre el cliente, no sobre los productos. Y si dices que hay este riesgo de que este producto llegue a cero, sí, pero el problema es que este riesgo está altamente correlacionado. Es todo lo que este cliente está comprando lo que puede llegar a cero al mismo tiempo. Y es un tipo de riesgo muy, muy diferente al decir que este producto en aislamiento puede llegar a cero.

Lo primero es que las series de tiempo simplemente no son apropiadas para expresar el riesgo.

Para asegurarnos de que no se pierda eso, las series de tiempo son un reflejo de la relación de un cliente con un producto, pero no de los propios productos. Las series de tiempo son solo una medida unidimensional. Tienes una medida que cae todos los días, todas las semanas, todos los meses. Eso se llama series de tiempo equis basadas. Eso es lo que la gente tiene en mente cuando piensa en series de tiempo. Es una medida unidimensional y es literalmente como las temperaturas. Hubo temperaturas en el pasado, habrá temperaturas en el futuro, y así puedes extender esta serie de tiempo.

Sin embargo, esto se trata de relaciones anteriores que los clientes existentes tenían con los productos que compraste, pero eso no dice nada sobre el futuro. El problema es que la información que tienes está a nivel del cliente, y tu pronóstico está a nivel del producto. Hay una discrepancia y no hay una traducción para pasar de esta información a esta otra información. Ese es un punto clave.

En matemáticas, cuando haces trampa, terminas con cosas extrañas. Por ejemplo, cuando haces trampa solo un poco, digamos por ejemplo que la Tierra es una esfera, aproximadamente. No es exactamente una esfera, pero es lo suficientemente cercano. Entonces, cuando quieres tener un mapa, estás proyectando una esfera en una superficie plana. Si miras un mapa mundial, terminas con distorsiones. Por ejemplo, en los mapas europeos, África parece muy pequeña en comparación con Europa, aunque África es en realidad 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 mucho más grande. Estás tratando de representar algo totalmente arriesgado. Es un objeto multidimensional que estás tratando de representar como un objeto unidimensional, tu serie de tiempo. Entonces, los problemas y distorsiones que tienes son absolutamente gigantescos. Si piensas que hacer que África parezca más pequeña que Europa es un problema, esos son problemas muy modestos en comparación con los problemas que tienes en la cadena de suministro cuando intentas inyectar esa información que conoces sobre el riesgo en la serie de tiempo.

Tenemos otro problema. Cuando no conoces la solución, es muy difícil pensar en el problema. Las personas no están realmente familiarizadas con la clase de modelos matemáticos que podrían representar esos riesgos. Están atrapados con la serie de tiempo debido al hecho de que ni siquiera pueden imaginar algo que no sea una serie de tiempo. Pero el primer paso es reconocer que esta no es una representación correcta. No importa si aún no está muy claro qué se debe 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 usarla con éxito. Entonces podemos pasar a la segunda parte, ¿cómo aprovecha Lokad este tipo de información?

La idea es que cuando quieres pensar en el futuro, la versión de alta dimensión es pensar que cada posible futuro tiene una probabilidad. Entonces podrías pensar en esto como la probabilidad para cualquier futuro dado donde conoces exactamente el nivel de ventas de todo, sobre la demanda, las cosas que se venderán nuevamente.

Hay una probabilidad de que esto suceda. Es extremadamente pequeña, pero si tienes las herramientas matemáticas adecuadas, puedes trabajar con probabilidades extremadamente pequeñas. Y nuevamente, debido al hecho de que tienes un número muy grande de futuros posibles, aún sumará una probabilidad de uno. Hay un futuro que sucederá, y la suma de todas esas probabilidades es igual a uno.

Puedes factorizar un riesgo como un dos por ciento de posibilidades de perder a estos clientes. En realidad, no es tan difícil. Si ves la demanda a través de los lentes de los productos, entonces es muy difícil inyectar a los clientes. Pero si ves la demanda como el resultado del comportamiento de los clientes y pronosticas el comportamiento de los clientes, entonces agregar este riesgo adicional de que el cliente te abandone se vuelve algo relativamente sencillo.

Puedes construir tu pronóstico de diferentes maneras. En términos de la agilidad que se tiene al usar o aprovechar un enfoque de serie de tiempo versus la agilidad que se tiene al aprovechar el enfoque probabilístico, ¿cuál es la diferencia y cómo se traduce en la gestión del riesgo?

El problema principal es que el riesgo de la serie de tiempo 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 un 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 eso. Simplemente no va a encajar. Y así con la serie de tiempo, estás un poco atrapado.

Podrías hacer apaños. Podrías decir que no podemos lidiar con el riesgo, pero podemos hacer trampa al tener un pronóstico incorrecto que está intencionalmente distorsionado para que la decisión que se tomará basada en este pronóstico refleje este riesgo. Esa es una forma muy complicada de llegar a la gestión del riesgo.

Técnicamente, es posible hacerlo de alguna manera, pero va a ser de formas muy extrañas. Por ejemplo, puedes lidiar con el riesgo al hacer tu pronóstico intencionalmente menos preciso al introducir distorsión, distorsión intencional en tu pronóstico. Esa es una forma de lidiar con los riesgos. Pero es una forma muy complicada de llegar a eso.

Si optas por el enfoque probabilístico, tienes un pronóstico inherentemente probabilístico. Entonces, por diseño, tienes esas probabilidades. Hay otra parte del desafío que es cómo hacer una optimización. Se llama proceso de optimización estocástica. ¿Cómo optimizas una decisión cuando tienes condiciones inciertas? Así que necesitas hacer una optimización que tenga una afinidad natural con estas incertidumbres que existen en las condiciones iniciales.

Conor Doherty: Si evaluamos, y me pregunto cómo exactamente, bueno no, permíteme reiniciar esa pregunta. Si estás en una situación en la que tienes una empresa y adoptas el enfoque probabilístico, has estado haciendo series de tiempo, te convences por lo que acabas de decir y luego te presentan una recomendación que es el producto final de la metodología de pronóstico probabilístico. Y en eso, en cualquier valor que se haya presentado, en realidad se han tenido en cuenta muchos de esos factores, por ejemplo, la posibilidad de perder un cliente y sabes que la gerencia lo ve y piensa que es una locura. ¿Cómo se supone que deben interactuar con eso porque nuevamente se están teniendo en cuenta tantas cosas? ¿Cómo se cierra la brecha?

Joannes Vermorel: Entonces, primero, ¿cuál es el resultado y ahí es donde hay una divergencia radical? El resultado de un proceso de cadena de suministro impulsado por el riesgo que está impulsado por pronósticos probabilísticos, porque literalmente, es a mi conocimiento prácticamente la única técnica viable que tenemos para lidiar con el riesgo. Para eso son las probabilidades. El resultado son las decisiones, no el plan. Lo extraño es que cuando piensas que el futuro se puede conocer, puedes eliminar todo el riesgo, los riesgos de la cadena de suministro se tratan principalmente de este futuro incierto. Si piensas que puedes tener un pronóstico preciso, entonces el resultado de tu práctica de cadena de suministro es el pronóstico y el pronóstico es tu plan porque una vez que tienes el pronóstico, es solo una cuestión de orquestación para las decisiones.

Si adoptas un enfoque impulsado por el riesgo, entonces el resultado de tu proceso no es el plan, no es el pronóstico, son las decisiones. Pero si tu proceso impulsado por el riesgo es malo porque puede ser malo, llevará a malas decisiones. ¿Y cómo identificas, entonces cómo desafías una decisión para que sea mala? Bueno, sucede de manera muy diferente. Nuevamente, si vamos a la perspectiva clásica, la gente pensaría en términos de precisión del pronóstico porque ese es el objetivo final. Si optas por el enfoque impulsado por el riesgo, dirías que hay una decisión, esta decisión tiene riesgos y oportunidades asociadas expresadas en dólares o euros. Y así que si ves una decisión que es mala, básicamente estás diciendo que la evaluación en dólares o euros que se ha hecho sobre esta próxima decisión es incorrecta.

Y así puedes identificar y si lo analizas, típicamente descompondríamos los impulsores económicos para cada decisión que generamos, de manera que podamos decir que tenemos media docena de impulsores que reflejan lo que se tiene en cuenta en esta decisión. Y así, si quieres desafiar eso, desafiarías un componente y dirías que, digamos, el costo de mantenimiento, el riesgo de los costos de mantenimiento que estimas, parece estar completamente equivocado. Y así sí, ese es el papel de los científicos de la cadena de suministro, descomponer el proceso para identificar qué está mal con esta estimación. Pero es muy técnico.

Pero la realidad es que si tienes un pronóstico clásico de series de tiempo que está muy equivocado, dirías que este pronóstico de series de tiempo es muy impreciso. Pero una vez que dices eso, investigar la causa raíz de eso también será una tarea muy técnica.

Conor Doherty: Si volvemos atrás, estábamos hablando de enfoques proactivos para la gestión de riesgos, que eran digamos los gemelos digitales en la industria automotriz y luego de la gestión de riesgos reactiva de la analogía de la ropa que diste. El pronóstico 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 dices que habrá fluctuaciones, siempre habrá fluctuaciones que están mucho más allá de mi control. Eso es de lo que se trata esta incertidumbre irreducible sobre el futuro y, por lo tanto, en base a eso, necesito poder diseñar un proceso que reaccione rápidamente y adecuadamente 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 que te permita aprovechar las oportunidades a medida que surgen y mitigar los problemas a medida que surgen, requiere mucha preparación.

Pero no se engaña con la idea de que puedes prepararte tanto como para eliminar la incertidumbre en primer lugar. Ves, ese no es el objetivo final. Es un poco una posición dogmática de alguna manera, pero es la idea de que no puedes llegar al fondo de este agujero de conejo del modelado predictivo. No puedes llegar a un modelo que sea 100% preciso, eso nunca va a suceder. La cantidad de incertidumbre residual va a ser 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 a medida que lo observas.

Porque ves, lo que sucede con mucha frecuencia es que las empresas se sorprenden por cosas que sucedieron meses atrás. Dirías “oh, no conocemos el futuro”, pero ¿qué pasa con el pasado, conocemos el pasado? Pero si tu tiempo de respuesta promedio a algo que ya has visto es de seis meses, entonces puedes terminar sorprendiéndote por algo que ya tiene un par de meses en el pasado y las empresas muy a menudo se sorprenden de esta manera.

Conor Doherty: Nuevamente, quiero presionar un poco aquí porque sé que si queremos hablar sobre la gestión de riesgos, debemos hablar sobre cómo evaluamos nuestras prácticas de gestión de riesgos. Y nuevamente, volviendo a los enfoques de series temporales frente a los enfoques probabilísticos, si tienes una serie temporal y está completamente equivocada, puedo señalar eso y decir que estaba equivocada, fue enormemente incorrecta. Y eso es, ya sabes, es 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, estás proporcionando probabilidades, no estás diciendo que esto es definitivamente lo que venderías. ¿Y eso te protege de estar equivocado?

Joannes Vermorel: No, quiero decir, técnicamente hay métricas para la precisión de los pronósticos probabilísticos, pero aún más interesante, puedes evaluar la corrección de las decisiones en sí mismas. Y eso es, ya sabes, olvida las probabilidades. Son solo un artefacto de cálculo transitorio. 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 personas que no siempre se dan cuenta, pero las computadoras aproximan cosas todo el tiempo. Cada vez que haces un cálculo, solo usas un cierto número de dígitos de precisión. ¿Es importante o no la pérdida de precisión? La respuesta es, depende. Y en la cadena de suministro, depende de qué. Bueno, depende de si la decisión final es buena o mala.

Entonces, al final, lo que estoy diciendo es que debes juzgar la calidad de este enfoque impulsado por el riesgo por lo que hace al final del proceso, las decisiones. Lidiar con probabilidades de alta dimensionalidad, tener que ver con la evaluación numérica de probabilidades en un espacio de alta dimensionalidad, conlleva todo tipo de peculiaridades. Si las técnicas son apropiadas o no, realmente deberían juzgarse por los resultados finales, no por la calidad de un pronóstico probabilístico.

Necesariamente, la precisión del pronóstico no es la principal preocupación, sino cuánto dinero se ganó o se perdió.

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

Joannes Vermorel: Entonces, primero, digo que cuando dices que tienes, digamos, un pronóstico con un 20% de inexactitud, 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 precisión se expresen como un porcentaje que seguramente debe ser real”. Yo digo que para nada. Puedes tener pronósticos extremadamente perjudiciales que resulten ser muy precisos, donde la inexactitud expresada como un porcentaje es muy baja.

Hay una anécdota que me han contado una y otra vez en la que puedes pronosticar una demanda cero para una tienda y eso te dará rápidamente un pronóstico muy preciso. Pronosticas cero, abres con cero y el pronóstico se vuelve 100% preciso. Entonces, esta medida que expresa porcentajes no es muy sensata.

Si te digo que puedes tener una medida de pronóstico probabilístico expresada en entropía cruzada, eso es muy abstracto y no será muy esclarecedor. Pero el caso que estoy planteando es que la entropía cruzada es tan abstracta y opaca como los porcentajes. Es algo completamente inventado. La única razón por la que, por ejemplo, en Lokad elegiríamos la entropía cruzada es que tiene buenas propiedades cuando se trata de llegar a las decisiones finales.

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

Nuevamente, si operas desde la perspectiva de series de tiempo, estás pensando en términos de, por ejemplo, un fabricante de automóviles con un defecto que podría matar a las personas. Dices: “Sabes qué, no contamos dólares, solo queremos asegurarnos de que seamos extremadamente seguros y que seamos seguros casi más allá de las medidas”.

Conor Doherty: Entonces, si tienes una división entera dedicada a gestionar el riesgo, evaluar el riesgo, pero tu cadena de suministro se basa en un enfoque de pronóstico de series de tiempo, ¿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 hacen no tiene consecuencias. Por lo general, simplemente no tienen consecuencias. Ves, la cosa es que si haces una evaluación de riesgos pero si estas cosas no pueden ajustarse marginalmente a cada decisión que se toma en tu cadena de suministro, entonces has hecho una evaluación y la has enterrado justo después de hacerla.

Ves, si dices: “Oh, este proveedor tiene un 2% de riesgo de quiebra el próximo año”, ¿ok, afecta tus decisiones de compra? Si no lo hace, entonces has enterrado tu evaluación. La estás ignorando. 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 estás actuando en base a esta evaluación. Y cuando digo actuar, la gente realmente piensa que eso es un error. Cuando la gente piensa en la cadena de suministro, eso es lo que escucharías en los medios. Dirían: “Oh, no deberíamos tener nuestra fábrica en China”. Sí, ese es un riesgo muy macro, pero también hay riesgos mucho más mundanos.

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

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

Joannes Vermorel: Ambas son muy importantes, pero seamos realistas sobre cuánto puedes estar realmente informado para tomar la decisión correcta. Para esas decisiones macro, en gran medida, es una apuesta. Es una apuesta completa y está bien. Eso es el capitalismo. Esta es una economía de ganancias y pérdidas. Las personas asumen riesgos y hay una posibilidad involucrada. Y estoy diciendo, bueno, realmente no puedes tener una práctica que te diga si entrar en un nuevo mercado, por ejemplo, es seguro o no. Puedes hacer evaluaciones, puedes tratar de racionalizar un poco el proceso, pero fundamentalmente, es algo que escapa a las estadísticas y al análisis cuantitativo.

Por el contrario, si miras una cadena de suministro, una empresa mediana tomará decenas de miles de decisiones al día, todos los días. Y eso es lo que estoy diciendo, a diferencia de las grandes decisiones macro donde apuestas y no hay otra alternativa excepto seguir tu evaluación instintiva, en el caso de esas decenas de miles de decisiones que se deben tomar a diario, puedes hacer una evaluación cuantitativa y algo que realmente tenga sentido.

Conor Doherty: Bueno, para alejarnos de los ejemplos colosales como los de gran escala, vamos a llevarlo a algo como el nivel de SKU. Entonces, tenemos varias tiendas, tenemos 10 tiendas, y tenemos una cantidad finita de inventario, inventario de camisetas blancas, y las 10 tiendas necesitan camisetas blancas. ¿Cuál sería la forma probabilística más informada sobre el riesgo de distribuir lo que tengo entre todas las tiendas que lo necesitan?

Joannes Vermorel: Tomemos la perspectiva clásica. La perspectiva clásica, centrada en series de tiempo, supone que conoces el futuro. Entonces, tienes un stock de seguridad. Básicamente, dices que cada tienda debe tener esta cantidad en stock y luego, para reconocer la pequeña incertidumbre residual además de eso, vas a agregar un pequeño margen y eso es tu stock de seguridad. Todas las tiendas se tratan de forma independiente y la idea es que debes tener suficiente stock para cubrir todas tus tiendas.

Ahora, ¿cuál es el riesgo real? El riesgo es que te quedes sin stock a nivel de almacén y luego la pregunta es, tengo un recurso limitado en el almacén, ¿qué debo hacer para mis diversas tiendas? Si lo haces de la manera clásica, la manera clásica diría que tengo mi stock de seguridad, simplemente hago la asignación para la primera tienda, todavía me queda inventario, repito el proceso para la segunda tienda y luego tal vez en la cuarta tienda, me detendré porque no queda inventario. Entonces, lo que has hecho es llenar efectivamente las primeras cuatro tiendas y no enviar nada a las demás. Esto no es muy inteligente. No estás tratando adecuadamente esta situación, esta pequeña mini crisis que tienes al tener un producto sin stock en el almacén.

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

Joannes Vermorel: No, ese no es el caso. Eso es de lo que se trata tu stock de seguridad. Cuando pones un stock de seguridad, estás diciendo que estoy poniendo unidades en una tienda que tienen una probabilidad muy baja de ser vendidas durante mi ventana de tiempo relevante. Eso es para lo que está el stock de seguridad. Es un buffer que probablemente no necesitarás.

Si quieres maximizar tus ventas, es mucho mejor distribuir el inventario para que cada tienda tenga un poco. El objetivo es que todas las tiendas se queden sin stock al mismo tiempo. Obviamente, no puedes lograr eso realmente, pero eso es lo que quieres acercarte.

Consideremos la situación alternativa en la que has concentrado el stock en las primeras cuatro tiendas. Todas las demás tiendas están sin stock, por lo que no vendes en absoluto. Y para esas, solo vas a vender algo así como la mitad del inventario, por lo que te quedará mucho sobrante. Terminas en una situación en la que tienes una tienda sin stock mientras que otra tiene un exceso de stock comparativamente y la demanda en las tiendas que no tienen stock no se satisface.

Conor Doherty: ¿Entonces ahí está el riesgo?

Joannes Vermorel: Sí, y ahí es donde estamos hablando del riesgo de quedarse sin stock. Una forma de gestionarlo es preservar el stock en el almacén cuando ves que un producto en el almacén está en riesgo de quedarse sin stock. De esta manera, las mejores tiendas aún pueden tener un poco de mercancía.

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

Conor Doherty: Me pregunto cómo exactamente una empresa puede gestionar todo esto porque es mucha información en comparación con, digamos, el enfoque tradicional de series de tiempo. ¿La única forma de gestionar todo esto es a través de la automatización o todavía hay personas involucradas que verifican estas decisiones?

Joannes Vermorel: La forma en que Lokad lo hace es automatizando todo el proceso. Las personas están ahí para supervisar la automatización, pero la realidad es que la mayoría de las empresas, aunque afirman que todo se valida manualmente, han estado utilizando procesos bastante automatizados durante mucho tiempo. Siempre que tengas una configuración de inventario mínimo-máximo con una media y un máximo, tienes un autómata de reabastecimiento que simplemente se ejecuta típicamente sin supervisión. Esto ya ha sido el caso de tener configuraciones ampliamente automatizadas durante décadas.

Lokad es solo un paso más en esta dirección, pero no necesariamente es un cambio tan radical en comparación con lo que las personas tenían antes. Es más automatizado, pero muchas empresas ya operan en configuraciones altamente automatizadas.

Conor Doherty: ¿Podría una empresa que no aproveche la automatización, pero digamos, como mencioné antes, tenga divisiones enteras de expertos en Gestión de Riesgos, esas empresas están bastante conscientes, ¿verdad?

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, como el tiempo, el ancho de banda, el conocimiento, todas estas cosas que intervienen en la gestión de una empresa? ¿Cuáles son los riesgos allí o cómo los gestionamos?

Joannes Vermorel: Hay riesgos intangibles. Por ejemplo, si eres una empresa de moda y haces ventas, generas una expectativa entre tus clientes de que esos descuentos volverán a ocurrir en el futuro, y las personas modifican 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 hace a lo largo de muchos años, por lo que no es algo en lo que sea fácil experimentar.

Por ejemplo, si eres una marca de lujo y tienes la convicción de que nunca debes hacer promociones porque devalúa tu marca, no vas a hacer una prueba de cinco años para ver si hacer promoción realmente devalúa tu marca. En algún momento, necesitas operar en base a convicciones y juicio en lugar de hacer la prueba.

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

También existen otras clases de riesgos, como las dependencias de TI. Puedes tener software que se desmorona, puedes tener muchas otras cosas que simplemente afectan tu cadena de suministro. Pero estos riesgos son más como los de la fabricación, donde quieres que tu ERP tenga un tiempo de actividad del 100%. No hay razón para tener tiempo de inactividad, puedes diseñar tu camino hacia algo que esté increíblemente cerca del 100% de tiempo de actividad.

Conor Doherty: Acabas de mencionar que desde una perspectiva de estrategia de precios, los descuentos podrían inculcar malos hábitos en los consumidores. ¿A qué te referías con eso?

Joannes Vermorel: Cada vez que haces una promoción, el cliente ve que haces una promoción. Entonces, la próxima vez, dirán: “No compraré al precio completo. Solo esperaré hasta que hagas otra promoción. Te he visto hacer promociones, así que sé que las promociones ocurren con tu marca, así que puedo esperar. Esperaré hasta que hagas una promoción y luego compraré”.

El problema es que nada podrá modelar eso realmente. Modelar la psicología de tus clientes está en su mayoría fuera de tu alcance porque lleva una década dar forma a la mentalidad de tus clientes.

Cuando estableces un precio, transmites un mensaje a tus clientes. Las personas prestan cierto grado de atención, pero lleva tiempo asimilarlo. Por lo tanto, hay una inercia sustancial. Puedes intentar hacer modelos sofisticados para estimar exactamente cuál sería el impacto, pero la realidad es que, como este tipo de cosas lleva años, no podrás experimentar mucho. No podrás validar las técnicas que estás utilizando. 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 seguirá estando dentro del ámbito de las personas que llegan a un consenso. ¿Queremos liquidar ese stock? ¿Queremos mantenerlo 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 una previsión de planificación de series de tiempo tradicional donde este tipo de cosas no tenían cabida.

Conor Doherty: Entonces, el principio rector para determinar qué tipo de políticas de regla general de sentido común deben tomar las empresas debe ser, ¿contribuye a un mayor retorno?

Joannes Vermorel: Si algo se puede evaluar cuantitativamente, entonces adelante. Pero cuando no es posible, pero hay un acuerdo general de que es importante, entonces debes hacer una estimación aproximada.

Creo que es un camino muy peligroso decir que no tenemos números razonables y, por lo tanto, pretendemos que no existe. Sí existe 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 terminando un poco, pero me gustaría hacer una pregunta un poco difícil. Hablaste de si un análisis cuantitativo es financieramente prohibitivo. Entonces, para las empresas más grandes que pueden permitirse pronósticos más elaborados y políticas de gestión de riesgos, tal vez puedan adoptar un enfoque probabilístico. Pero para las empresas que no tienen ese tipo de dinero disponible, ¿qué consejo darías en términos de gestión de riesgos que sea práctico?

Joannes Vermorel: Cuestionaría, ¿realmente puedes permitirte ignorar el riesgo? El inventario cuesta dinero. El plan de precios para tener un científico de la cadena de suministro que te ayude a optimizar tu decisión es de alrededor de 2.500 euros al mes. Sí, es una cantidad sustancial de dinero, pero si no eres una empresa pequeña, si eres una empresa de 10 millones de dólares o euros o más, esta no es una gran cantidad de dinero. De hecho, es una fracción de lo que pagas por una sola persona.

Si resulta que tienes cinco o más personas que desempeñan funciones de cadena de suministro como reabastecimiento de inventario, programación de producción, asignación de inventario, gestión de precios, y tienen un proceso que simplemente ignora por completo el riesgo, diría ¿realmente puedes permitirte seguir haciendo eso? Ignorar esos riesgos puede costarte varios millones de dólares solo porque tomaste una decisión muy mala al ignorar por completo el riesgo.

Debido a que es inusual, la gente esperaría que solo las cosas estén reservadas para empresas como Amazon y demás. No, no es así. En gran medida, la previsión clásica de series de tiempo es mucho más complicada y la razón es que no coincide con el problema. Entonces, sí, en la superficie parece más simple porque la gente está acostumbrada a las series de tiempo, pero cuando se trata de la resolución real del problema, no coincide en absoluto con el problema real y esta solución, aunque parece fácil en la práctica, es una pesadilla de implementar y usar en comparación.

Los pronósticos probabilísticos que Lokad utiliza para clientes pequeños, empresas pequeñas, son inusuales pero se ajustan bien al problema y, en última instancia, ya sabes, y nuevamente en mis conferencias doy ejemplos de que si quieres ver técnicas de probabilidad, la mayoría de mis ejemplos de código tienen menos de 20 líneas. La gente diría que esto es imposiblemente complicado y yo diría bueno, son como 20 líneas de código y puedes ir a dar todos los detalles del método en una conferencia que dura como una hora y media.

¿Realmente puedes decir que algo es tan pequeño que no puedes permitirte gastar algo así como unas pocas decenas de horas en el caso? ¿Realmente está más allá de tus posibilidades? 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 cosas en juego y los errores pueden costar mucho más y, a la inversa, porque no solo son los errores, también son oportunidades.

Si al aumentar tu precio en el momento adecuado aumentas tu margen en un diez por ciento, eso puede resultar en cientos de miles de dólares en efectivo puro que fluyen a tu empresa y eso realmente compensa el costo de tener a algunas personas dedicando tiempo al riesgo.

Conor Doherty: Entonces, si tuviera que resumir eso, sería básicamente 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 es tanto un salto de fe. Creo que hay esta idea muy extraña de que, desde la teoría convencional de la cadena de suministro, los riesgos no existen literalmente. Tienes esas fluctuaciones súper suaves de la demanda y las fluctuaciones súper suaves de los tiempos de entrega modeladas con distribuciones normales, que es cuando la gente dice distribución normal, es una forma de decir que no hay riesgo.

La realidad es que nunca he conocido a ningún empresario que no estuviera completamente consciente de que el negocio que tienen está lleno de riesgos por todas partes. La especie de locura es que con el software convencional de cadena de suministro, la gente finge que los riesgos no existen, pero los riesgos siguen estando ahí y, por lo tanto, las empresas rutinariamente enfrentan catástrofes que son muy costosas debido a riesgos que no eran, nuevamente, no estoy diciendo como invertir en entrar 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 realmente estaban dentro del ámbito del riesgo esperado, como problemas con los proveedores, precios que suben o bajan, fluctuaciones en la demanda pero no fuera de lo que se podría esperar de la evolución general del mercado. Este tipo de cosas y mi punto es que hay esta locura donde la mayoría de las prácticas convencionales simplemente ignoran por completo el riesgo.

Cuando hablo con profesionales de la cadena de suministro, dirían que sí, hay mucho riesgo, pero el punto es que no pueden cerrar la brecha y yo digo que no es muy difícil, es simplemente muy diferente a lo que estás haciendo y no solo se conoce, en realidad es más barato porque también conduce a un mayor grado de automatización porque también una de las razones por las que necesitas tantas personas cuando haces cadena de suministro con series de tiempo es que debido al hecho de que tienes una gran discrepancia entre la realidad y esas series de tiempo, necesitas tener muchas personas para simplemente parchear el proceso todo el tiempo.

Pero si tienes algo donde hay una mejor coincidencia, no necesitas casi tantas personas para parchear la cosa.

Conor Doherty: Con eso, creo que voy a dar por terminado esto. Joannes, muchas gracias como siempre, ha sido un placer. Y muchas gracias por ver, nos vemos la próxima vez.