Riesgos en la Gestión de Supply Chain

00:00:00 Introducción y definición de términos
00:02:40 Incertidumbre y costo de salvaguarda en supply chain
00:03:54 Gestión de riesgos y minimización de residuos
00:05:30 Riesgo irreducible y oportunidades en supply chain
00:07:37 Supply chain vs perfección en la fabricación
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 de agilidad en supply chain
00:21:20 Valor en dólares de riesgos y oportunidades
00:23:36 Optimización financiera de los riesgos de supply chain
00:26:37 Enfoque de Lokad para el forecast probabilístico
00:29:53 Riesgo de interrupción masiva y desastres regionales
00:31:59 Factores de riesgo 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 de mapas y modelos matemáticos
00:42:31 Construcción de forecasts y riesgo de series de tiempo
00:45:20 Optimización estocástica y enfoque probabilístico
00:48:36 Descomposición de los impulsores económicos para las decisiones de supply chain
00:51:44 Las empresas a menudo se sorprenden por eventos pasados
00:57:00 Forecast dañinos y entropía cruzada en el forecast
01:00:00 Importancia de las 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 un riesgo
01:17:22 Dificultad de modelar la psicología del cliente
01:24:26 Evaluación de los forecasts de series de tiempo
01:27:33 Riesgos en el software de supply chain 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 supply chain. Vermorel enfatiza que el riesgo principal es la incertidumbre del futuro, que es irreducible y está más allá del control. Señala que cada decisión implica un compromiso entre el riesgo y la recompensa, y que el riesgo cero es inalcanzable. Vermorel también destaca las oportunidades que pueden surgir de estos riesgos, como capitalizar en faltantes de stock. Aboga por una mentalidad ágil y oportunista, y el uso de forecast probabilístico para mitigar el riesgo. Vermorel y Doherty concluyen acordando que incluso las pequeñas empresas pueden beneficiarse de la gestión de riesgos, lo que lleva a un aumento de los márgenes y el flujo de efectivo.

Resumen Extendido

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 de riesgos en las supply chains. Vermorel explica que la principal fuente de riesgo en las supply chains es la incertidumbre del futuro. A diferencia de la fabricación donde los riesgos pueden eliminarse perfeccionando el proceso, los riesgos de supply chain dependen de las condiciones futuras que son desconocidas e irreducibles.

Vermorel enfatiza que cada decisión en la gestión de supply chain implica un compromiso entre el riesgo y la recompensa, y la incertidumbre sobre el futuro es irreducible. También señala que el riesgo cero no existe en las supply chains. Incluso con un proceso de fabricación perfecto, siempre existe 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 supply chains es la incertidumbre del futuro. Explica que este riesgo es irreducible y a diferencia de otras áreas como la contabilidad donde los riesgos pueden eliminarse, los riesgos de supply chain están más allá del control y solo pueden mitigarse. También señala que mientras hay riesgos en las supply chains, también hay oportunidades. Por ejemplo, tener mucho stock cuando el mercado enfrenta un faltante de stock puede llevar a un buen beneficio.

Vermorel está de acuerdo con la observación de Doherty de que los riesgos en las supply chains parecen ser más comunes y tienen efectos financieros predecibles. Enfatiza que la gestión de supply chain implica lidiar con muchos riesgos y oportunidades que están en su mayoría más allá del 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 supply chains. Por ejemplo, la entrada o salida de un competidor del 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 un beneficio excepcional.

Vermorel explica que en las supply chains, 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 discute el costo de los defectos en la fabricación de automóviles, señalando que en la gestión de supply chain, no hay restricciones estrictas y todo es elegible para la optimización financiera. Explica que el forecast se utiliza en la gestión de supply chain para mitigar el riesgo. Sin embargo, a diferencia de los defectos en la fabricación 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 una probabilidad del 2% 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 argumenta que la calidad de un enfoque impulsado por el riesgo debe ser juzgada por los resultados finales, no por la calidad de un forecast probabilístico. Enfatiza que la principal preocupación debería ser cuánto dinero se ganó o perdió, 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 tiene buenas propiedades para aprender modelos de alta calidad. Enfatiza que los resultados finales del juego, que resultan en errores reducidos en términos de dinero, son la métrica más importante.

Vermorel sugiere que tales divisiones de gestión de riesgos a menudo son burocráticas y sus evaluaciones no tienen consecuencias si no ajustan cada decisión en la supply chain. Argumenta que si las evaluaciones de riesgo no impactan las decisiones de compra, están siendo ignoradas.

Vermorel está de acuerdo, argumentando que mientras ambos son importantes, las decisiones macro a menudo son una apuesta, mientras que las decisiones diarias pueden ser evaluadas cuantitativamente.

Vermorel discute la perspectiva clásica de la gestión de supply chain, donde cada tienda se trata de manera independiente y se mantiene un stock de seguridad para cubrir posibles faltantes de stock. Sin embargo, este enfoque puede llevar a problemas como quedarse sin stock a nivel de almacén. Critica el enfoque tradicional de asignar stock de seguridad a las tiendas de manera 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 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 los riesgos intangibles, como las expectativas del cliente y el valor de la marca. Por ejemplo, ofrecer descuentos puede llevar a que los clientes esperen descuentos futuros, 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 basado en el riesgo es más compatible con este tipo de estimaciones en comparación con los forecast tradicionales de series de tiempo.

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

En conclusión, Vermorel está de acuerdo con el resumen de Doherty, argumentando que muchas empresas enfrentan catástrofes prevenibles debido a que ignoran 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 menos personas necesarias para gestionar el proceso.

Transcripción completa

Conor Doherty: ¡Bienvenido de nuevo a LokadTV! El riesgo es sistémico en la supply chain. Desde cierta perspectiva, cada decisión de supply chain presenta potenciales clases de riesgo, ya sea directa o indirectamente. Aquí para explicar por qué - y 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 supply chain, ¿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 supply chain es el futuro que no conoces. En la fabricación, se trata principalmente de tener el proceso correcto. Si tienes el proceso correcto, posiblemente puedes producir mil millones de piezas sin enfrentar ningún defecto. Así que potencialmente, en términos de fabricación, puedes eliminar el riesgo. El riesgo no depende tanto del futuro. Por ejemplo, si tienes un proceso defectuoso que crea un riesgo de incendio para tu fábrica, es solo cuestión de tiempo antes de que la fábrica se incendie.

En la supply chain, es literalmente el futuro que no conoces y realmente no puedes salvaguardar todas las posibilidades porque eso es 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 tiempo de entrega aplicable y demás, solo porque existe esta remota posibilidad de enfrentar este super impredecible pico de demanda? No.

Fundamentalmente, diría que, a diferencia de algunos otros dominios, en la supply chain, las fuentes de riesgo son las condiciones futuras que no conoces y cada decisión que tomas es una especie de compromiso sobre el tipo de riesgo y recompensas también que vienen juntos sobre esta incertidumbre sobre el futuro. Y diría que la incertidumbre sobre el futuro es irreducible, a diferencia de, digamos, la incertidumbre como los activos físicos en tu proceso de fabricación en una fábrica.

El 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 términos de supply chain, mira cualquier producto, siempre hay un porcentaje de dos dígitos de riesgos de que este producto ya no se venda en el mercado dentro de cinco años. Hay muy pocos productos de los que puedes decir con absoluta confianza que seguirán existiendo dentro de cinco años, especialmente si tenemos en cuenta que el producto puede ser reemplazado por una variante, que aún cuenta como una SKU diferente.

Conor Doherty: Entonces, para resumir, ¿estás diciendo que la gestión de riesgos en la supply chain es puramente una cuestión de minimizar los recursos desperdiciados o es simplemente una preocupación puramente 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, podrías en teoría tener una práctica de supply chain casi libre de riesgos, asumiendo que uno tiene suficiente dinero.

Esta fuente de riesgo es irreducible y se siente extraña en muchas otras áreas. Por ejemplo, en contabilidad, tienes un riesgo de tener 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 hacer eso super raro.

En la supply chain, no tienes la 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 más allá de tu control que desviarán masivamente la demanda en un sentido u otro. Esa es la principal fuente de riesgo, que no conoces y todo lo que puedes hacer es mitigar esos riesgos. Pero también, como hay riesgo, también existen 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 un buen beneficio vendiendo este inventario a un precio premium.

Conor Doherty: Parece que muchos de esos problemas en la supply chain serán mucho más comunes que el ejemplo que diste de contratar a una persona incompetente o moralmente equivocada. Son extremadamente raros, pero presumiblemente las clases de riesgo de las que estás hablando en el contexto de la supply chain, como los tiempos de entrega extendidos o incluso acelerados por 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 ya no tengas defectos es todo tuyo. Potencialmente puedes llegar a esos estados de cero defectos que es la perfección, o puedes acercarte mucho a la perfección.

De nuevo, si vamos al mundo de la supply chain, no realmente. Quiero decir, esas cosas, por definición, si tienes un tiempo de entrega, tienes un proveedor y esta empresa está más allá de tu control. E incluso si internalizas, puedes tener un transportista y todavía está más allá de tu control. E incluso si internalizas al transportista, la carretera puede estar cortada porque la autopista está inundada o hay algo más y de nuevo está más allá de tu control.

Entonces, lo que hace que la práctica de la supply chain sea tan específica es que estás lidiando con mucho riesgo y, a la inversa, muchas oportunidades y la mayoría están más allá 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 perder oportunidades?

Joannes Vermorel: Sí, un competidor puede entrar repentinamente en el mercado y bajar los precios. Eso es un riesgo. Entonces, puedes ser forzado a bajar tu precio a su vez y entonces eres menos rentable de lo que esperarías o incluso tal vez ya no eres rentable. Pero justo lo contrario puede suceder. Un competidor puede salir de tu mercado. En este caso, bueno, puedes subir tu precio y eres 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 va a inundar o tal vez uno de tus competidores se inunda. Entonces, cuando la gente piensa en el riesgo de nuevo en la fabricación, tienes un objetivo claro que es esta perfección. Así que cuando piensas en el riesgo, necesariamente no hay realmente oportunidades aleatorias específicas.

Pero en la 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 tienen la capacidad correcta o tienen la asignación incorrecta y entonces hay oportunidades.

Por ejemplo, una gran empresa de ecommerce europea, una de sus técnicas era que empezarían a vender productos de moda e identificarían muy rápidamente en la temporada los más vendidos, literalmente en un día o dos. Y lo que harían es que pasarían inmediatamente un pedido gigantesco a la marca original y acapararían todo el stock.

Fue sorprendentemente bien recibido, y así decían, “Okay, si esta cantidad de ventas nos sorprende, lo más probable es que también sorprenda a la marca original. Entonces, ¿qué pasará si hacemos un pedido masivo? Estaremos sentados en una gran pila de inventario mientras todos los demás se quedan 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 penalidad 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 entonces, si eres inteligente, puedes convertir eso en una oportunidad para acaparar la cantidad de inventario que resulta estar aún disponible y luego hacer 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 uno de una respuesta reactiva a la oportunidad. Este vendedor de moda detectó una oportunidad y respondió muy ágilmente a esta oportunidad. Así que fue un enfoque reactivo para gestionar la oportunidad y evitar riesgos. ¿Es lo mejor que puedes hacer en la supply chain, o hay un mecanismo proactivo para anticipar este tipo de eventos?

Joannes Vermorel: Tendría una respuesta doble a eso. Primero, estás muy correcto. Llegó con una mentalidad ágil, una mentalidad oportunista, y se aplica igualmente para el riesgo y las oportunidades. Lo interesante es que si vienes desde 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, no tiene defectos, no tiene peligros, y estás bien, o no lo tiene, y tienes que arreglarlo.

Aquí en la supply chain, lo interesante es que cuando intentas abordar el riesgo con este tipo de mentalidad estacionaria, piensas en él como algo que podrías arreglar de una vez por todas. Pero el problema es que no funciona porque si tienes algo que es completamente estático, entonces no puedes capturar las oportunidades. Pero la realidad es que tampoco puedes reaccionar al riesgo emergente. Es completamente simétrico. Entonces tienes oportunidades que surgen, pero habrá riesgos que simplemente surgen y sorprenden a todos, y también necesitas reaccionar rápidamente. Así que es simétrico.

Ahora, ¿qué significa estar preparado? Como mencionaba este ejemplo en esta gran empresa europea de ecommerce que juega este juego de acaparar el inventario de la marca, esta es una práctica establecida. Saben que debido al hecho de que una gran marca de moda va a tener 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 tamaño considerable podría 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 se ocupa de bienes de consumo de rápida rotación, ¿cómo exactamente lo instauras? ¿Es un proceso de arriba hacia abajo o de abajo hacia arriba? Quiero decir, aprovechando esas oportunidades, ¿cómo instauras ese tipo de proceso?

Joannes Vermorel: Como la mayoría de las cosas en la supply chain, tiene que ser de arriba hacia abajo hasta cierto punto. No puedes esperar que las personas en la parte más baja tengan alguna forma de reingeniería de la organización en sí. Por ejemplo, si decides que tu proceso es como SNOP (Sales and Operations Planning) y luego tienes sesiones trimestrales para SNOP donde pasas dos meses para establecer tu nuevo forecast y hacer 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 re-traducir los forecasts que son por semana por categoría en algo que tenga sentido en términos de decisiones, estás en una situación donde no importa si las personas en la parte más baja son ágiles o no. El proceso y la organización en sí mismos impiden cualquier tipo de agilidad de todos modos. Entonces, hasta cierto punto, si quieres ser ágil, esto tiene que ser diseñado desde arriba para que esta agilidad pueda incluso suceder. Pero luego, una vez que has diseñado algo donde se convierte en una posibilidad, entonces sí, es algo mucho más de abajo hacia arriba porque entonces se trata de si los diversos equipos aprovechan esta nueva agilidad encontrada.

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 centrarte en la empresa que estaba vendiendo estas camisetas que se vendían como pan caliente y decidió acaparar el mercado con 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 dice: “Oh, queremos todas las camisetas que tienes, todas las camisetas negras, las compraremos ahora mismo”, ¿es eso algo de lo que deberías desconfiar? Porque de nuevo, hay riesgo y oportunidad allí. Como proveedor, ¿debería vender? Es una venta garantizada ahora mismo, hoy, lo vendo todo. ¿O debería investigar por qué estaría intentando comprar estas ahora mismo? ¿Hay algo más en juego aquí?

Joannes Vermorel: Realmente depende de si puedes permitirte el lujo de pasar tiempo investigando. Si hay una conexión EDI y las compras están completamente automatizadas y ni siquiera hay alguien en el bucle, realmente depende. Pero tener comportamientos adversarios por todas partes es solo otro día en la supply chain. Tus proveedores son tus mejores socios y potencialmente tus competidores porque también pueden limitar tu beneficio. También pueden convertirse con el tiempo en competidores, decidir tener sus propias marcas, etc. Y lo contrario 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 supply chain, puedes poner dólares o euros de recompensas y oportunidades en este tipo de cosas.

De nuevo, si vuelves a la fabricación de automóviles, ¿cuánto cuesta tener un defecto que mata a una persona? La respuesta es demasiado. Entonces, ves, no es el tipo de cosa donde 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 puedes argumentar eso. Pero la realidad es que nadie va a hacer realmente ingeniería seria. Simplemente harán lo que puedan para que esos problemas donde tienes a alguien muriendo simplemente no ocurran. Y entonces, no hay una verdadera ingeniería financiera porque de nuevo, si lo tomas desde el ángulo de la fabricación, solo quieres evitar por diseño esos tipos 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 supply chain, no puedes, y va a ser un verdadero compromiso. Todo lo que hagas tiene un costo, hay una recompensa, y solo son matices 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 con cero stock en absoluto y simplemente hacer back orders todo el tiempo. Entonces, es, tienes mucha más flexibilidad y también tienes muy pocas restricciones duras en la supply chain. Mientras estés dispuesto a pagar, casi no hay restricciones. ¿Quieres más espacio de almacenamiento? Si estás dispuesto a pagar por ello, puedes pagar para que se construya un segundo almacén. Entonces, en última instancia, todos los tipos de restricciones, todos los tipos de riesgos y recompensas, son algo suaves y por lo tanto son muy elegibles para la optimización financiera en comparación con 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 supply chain tiene este lujo de que la gran mayoría de los problemas son en realidad problemas suaves donde puedes pasar de un servicio súper malo a un servicio súper bueno y todo el espectro es posible y la estructura de costos evoluciona a medida que optas por una mejor calidad de servicio o peor calidad de servicio.

Conor Doherty: El ejemplo que diste de la fabricación de automóviles en realidad presenta una muy buena transición porque sé que en la fabricación de automóviles, por ejemplo, Ford, gestionan el riesgo, particularmente con sus vehículos autónomos, utilizando gemelos digitales. 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. ¿Existe algo así para la 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. Eso es lo que intentas hacer de alguna manera con el forecast. Intentas mitigar este riesgo que tienes sobre este futuro incierto a través del forecast. Idealmente, si tus forecasts fueran perfectos, simplemente eliminarías este riesgo. Es por eso que muchas prácticas de supply chain tratan la precisión del forecast como los fabricantes de automóviles tratan los defectos en sus pastillas de freno, como algo que deberías eliminar.

Pero el problema es que, a diferencia de los defectos en las pastillas de freno, donde potencialmente puedes llevar esta tasa de defectos a uno por mil millones, de modo que es tan baja que es inconsecuente, la inexactitud del forecast nunca va a llegar a 0.01 de error. Por lo general, va a estar atascado, si miras el tipo de granularidad que tiene sentido para el forecast en las decisiones, básicamente por SKU por día, vas a estar atascado con forecasts ampliamente inexactos, como un 50% inexacto en promedio, por día por SKU, si miras unos meses por delante.

Lo interesante es, ¿qué tienes en términos de herramientas y procesos y metodologías para lidiar con estas clases de riesgo? Eso es más o menos lo que Lokad está haciendo con el forecast probabilístico, solo por esta razón. Esa es una forma 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, esto se trata como un defecto que debe resolverse.

El enfoque de Lokad, el forecast probabilístico, es que no asumimos ni siquiera esperamos que esas inexactitudes desaparezcan alguna vez. Lo que tenemos son probabilidades. Podemos mejorar nuestros modelos para tener probabilidades que estén un poco más concentradas, por lo que tenemos una visión un poco más nítida sobre el futuro. Pero la perspectiva general es que va a seguir siendo extremadamente borroso e incierto, sin importar qué.

Conor Doherty: Quiero plantear una bandera allí porque creo que hay un punto importante y solo quiero amplificarlo. Cuando hablas de prever la demanda futura, la mayoría de las personas escucharían eso como simplemente mirar los datos de ventas anteriores y llegar a un número, como en una serie de tiempo. ¿Es tu posición que el enfoque de forecast probabilístico considerará no solo los datos históricos sino también las otras clases de riesgo de las que estamos hablando, como los plazos de entrega extendidos, un barco que queda atrapado en un canal, o algo así, y los fusionará juntos?

Joannes Vermorel: Sí, absolutamente. Es por eso que en Lokad normalmente hablamos de modelado predictivo en lugar de forecast. En teoría, podrías prever cualquier cosa, pero la realidad es que cuando dices forecast, 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 un forecast, se refieren a un forecast de las ventas o la demanda. Pero la realidad es que cualquier cosa que sea incierta sobre el futuro puede ser anticipada y por eso tenemos este modelado predictivo.

Lo interesante es que hay muchas cosas donde puedes modelar el riesgo incluso si realmente no tienes datos. Por ejemplo, la guerra en Europa. Si miras los últimos 100 años, ha habido como una guerra importante cada medio siglo. Entonces, si lo miras, eso significa que cada año hay como un dos por ciento de posibilidades 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 para Europa occidental sea bastante bajo en este momento, pero de nuevo, si tomas una perspectiva histórica, decir que hay un dos por ciento de posibilidades de tener una disrupción masiva no es relativamente insano. Mira lo que está sucediendo en Ucrania. El riesgo es definitivamente real y hace 20 años estaba en la ex Yugoslavia. Entonces, este tipo de cosas suceden y no necesitas tener datos precisos para decir bueno, podemos poner un riesgo del dos por ciento de un evento disruptivo importante.

Puedes depender de la región, puedes ser inundado, puedes tener 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 el forecast probabilístico, agregar un riesgo del dos por ciento que es un poco estimado, para decir una gran caída de la demanda, eso es técnicamente bastante sencillo.

En contraste, si lo estás haciendo, si te acercas al futuro con un forecast de series de tiempo determinístico clásico, es casi imposible hacer eso. Sí, puedes decir que tenemos un escenario donde hay un desastre ocurriendo, pero ¿cómo reconcilias este escenario, que es ampliamente divergente de tu forecast principal, con lo que estás haciendo a diario? En la práctica, no puedes.

Entonces, hay muchas empresas que dicen: “Oh, hacemos escenarios, modelamos riesgos”, pero la realidad es, ¿qué pasa con tus decisiones diarias? Todas esas decisiones diarias están 100% impulsadas por el forecast mediano o el forecast promedio, que ignora completamente 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 ninguna consecuencia en lo que estás haciendo a diario.

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

Joannes Vermorel: Comencemos con las series de tiempo. Verás, hoy en día la gente piensa que hay esta creencia general, no todo el mundo, pero la mayoría de los profesionales de supply chain convencionales solo piensan en el futuro a través de las lentes de las series de tiempo. Las series de tiempo son increíblemente estrechas como una forma de expresar cualquier cosa que sepas sobre el futuro. Por ejemplo, si eres una empresa B2B, por lo que tus clientes son otras empresas, un riesgo muy básico es que uno de esos grandes clientes te deje para irse a otro de tus competidores. Y cuando esto sucede, todos los productos que te compraban, dejarían de comprar cualquier cosa. Y si tenías, por ejemplo, estabas manteniendo en stock un producto que este cliente compraba muy rutinariamente, pero este cliente de repente te deja, entonces este montón de inventario se convierte en stock muerto de la noche a la mañana. Solo porque, aunque el stock estaba rotando bien, venía con un riesgo oculto de que este cliente podría dejarte.

Entonces aquí tenemos, y la idea de que estos grandes clientes pueden dejarte no es como una idea súper sofisticada. Cualquier vendedor diría: “Bueno, teníamos este cliente, siempre existe este riesgo de que nos dejen”. 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 dijiste que hay este riesgo de que este producto vaya a cero, sí, pero la cosa es que este riesgo está altamente correlacionado. Es todo lo que este cliente está comprando lo que puede ir a cero al mismo tiempo. Y es un tipo de riesgo muy, muy diferente decir que este producto en aislamiento puede ir a cero.

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

Para asegurarnos de que la gente no se pierda eso, la serie de tiempo es un reflejo de la relación de un cliente con un producto, pero no de los productos en sí. La serie de tiempo es solo una medición unidimensional. Tienes una medición que cae todos los días, todas las semanas, todos los meses. Eso se llama series de tiempo basadas en equis. Eso es lo que la gente tiene en mente cuando piensa en series de tiempo. 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 de tiempo.

Sin embargo, esto se trata de 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 en la granularidad del cliente, y tu forecast está en la granularidad del producto. Hay una incompatibilidad y no hay 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 se acerca bastante. Entonces, cuando quieres tener un mapa, estás proyectando una esfera en una superficie plana. Si miras un mapa del mundo, terminas con distorsiones. Por ejemplo, África en los mapas europeos aparece 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 mayor. 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, el tipo de problemas que tienes y las distorsiones que tienes son absolutamente gigantescas. Si piensas que solo hacer que África parezca más pequeña que Europa es un problema, esos son problemas muy modestos en comparación con el tipo de problemas que tienes en la supply chain 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 las series de tiempo debido al hecho de que ni siquiera pueden imaginar algo que sería algo más que 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 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 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 esta probabilidad para cualquier futuro dado donde sabes exactamente el nivel de ventas de todo, sobre la demanda, cosas que se venderán de nuevo.

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

Puedes considerar un riesgo como dos por ciento de posibilidades de perder a estos clientes. No es realmente tan difícil. Si ves la demanda a través de las 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 haces un forecast del comportamiento de los clientes, entonces agregar este riesgo extra de que el cliente te deje se convierte en algo relativamente sencillo.

Puedes construir tu forecast de diferentes maneras. En términos de la agilidad que uno tiene usando o aprovechando un enfoque de series de tiempo versus la agilidad que uno tiene aprovechando el enfoque probabilístico, ¿cuál es la diferencia allí y cómo se traduce luego en la gestión de riesgos?

El problema principal es que el riesgo de las series 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. Eso es un problema cuando tienes dimensiones extra 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 entonces con las series de tiempo, estás un poco atrapado.

Podrías arreglar las cosas con cinta adhesiva. Podrías decir que no podemos lidiar con el riesgo, pero podemos engañar al tener un forecast incorrecto que está intencionalmente distorsionado para que la decisión que se va a tomar en base a este forecast refleje este riesgo. Esa es una forma muy enrevesada de llegar a la gestión de riesgos.

Técnicamente, es posible hacerlo, pero va a ser de formas que son muy extrañas. Por ejemplo, puedes lidiar con el riesgo haciendo que tu forecast sea intencionalmente menos preciso al introducir distorsión, distorsión intencional en tu forecast. Esa es una forma de lidiar con los riesgos. Pero esa es una forma muy enrevesada de llegar a eso.

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

Conor Doherty: Si estás evaluando, y tengo curiosidad de cómo exactamente, bueno no, déjame 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 se te presenta una recomendación que es el producto final de la metodología de forecast probabilístico. Y en eso, en cualquier valor que se haya presentado, en realidad se han incorporado muchos de esos factores, por ejemplo, la posibilidad de perder un cliente y sabes que la gerencia mira eso y piensa que es una locura. ¿Cómo se supone que deben interactuar con eso porque nuevamente hay tantas cosas que se están considerando en eso? ¿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 supply chain impulsado por el riesgo que está alimentado por forecasts probabilísticos, porque literalmente, es a mi conocimiento prácticamente la única técnica viable que tenemos para lidiar con el riesgo. Eso es para lo que sirven las probabilidades. El resultado son las decisiones, no el plan. Lo extraño es que cuando piensas que el futuro puede ser conocido, por lo que puedes eliminar todo el riesgo, los riesgos de la supply chain son principalmente sobre 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 tienes el forecast es solo cuestión de orquestación para las decisiones.

Si tomas un enfoque impulsado por el riesgo, entonces 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 identificas 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 forecast porque ese es el objetivo final. Si optas por el riesgo, dirías que hay una decisión, esta decisión tiene riesgos y oportunidades adjuntas expresadas en dólares o euros. Y entonces, si ves una decisión que es mala, esencialmente estás diciendo que la evaluación en dólares o euros que se ha hecho sobre esta próxima decisión es incorrecta.

Y entonces puedes señalar y si lo miras, normalmente para cada decisión que generamos, descomponemos los impulsores económicos para que podamos decir que tenemos media docena de impulsores que reflejan lo que entra en esta decisión. Y entonces, si quieres desafiar eso, desafiarás un componente y dirás esto, digamos que el costo de almacenamiento, el riesgo de los costos de almacenamiento que estimas parece completamente fuera de lugar. Y entonces sí, ese es el papel del Supply Chain Scientist para revertir el proceso de ingeniería para identificar qué está mal con esta estimación. Pero es muy técnico.

Pero la realidad es que si tienes un forecast de series de tiempo clásico que está muy equivocado, dirías que este forecast de series de tiempo es muy inexacto. Pero una vez que dices eso, investigar la causa raíz de eso va a ser una tarea muy técnica también.

Conor Doherty: Si volvemos a antes, estábamos hablando de enfoques proactivos para la gestión de riesgos que era digamos los gemelos digitales en la industria automotriz y luego a la gestión de riesgos reactiva desde la analogía de 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 dices que habrá fluctuación, siempre habrá fluctuaciones que están más allá de mi control. Eso es lo que significa esta incertidumbre irreducible sobre el futuro y, por lo tanto, en base a eso, necesito poder diseñar un proceso que va a reaccionar rápidamente y adecuadamente a esas condiciones cambiantes, ya sea que me impacten positiva o negativamente. Y entonces sí, es muy proactivo en el sentido de que diseñar tal 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 llevarte a una eliminación de la incertidumbre en primer lugar. Ves, ese no es el objetivo final. Es un poco una posición dogmática en cierto modo, pero es la idea de que no puedes llegar al fondo de este agujero de conejo de modelado predictivo. No puedes llegar a un modelo que va a ser 100% preciso, eso nunca va a suceder. La cantidad de incertidumbre residual va a ser muy grande y, por lo tanto, con lo que te quedas es diseñar un proceso que es muy bueno para mantenerse al día con el cambio a medida que lo observas.

Porque ves, lo que sucede es que muy frecuentemente las empresas se sorprenden por cosas que sucedieron hace meses. 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 unos seis meses, entonces puedes terminar sorprendiéndote por algo que ya ocurrió hace un par de meses y las empresas muy regularmente se sorprenden de esta manera.

Conor Doherty: De nuevo, quiero insistir un poco aquí porque sé que si queremos hablar de gestión de riesgos, deberíamos hablar de cómo evaluamos nuestras prácticas de gestión de riesgos. Y de nuevo, para volver a las series de tiempo versus enfoques probabilísticos, si tienes una serie de tiempo y está muy equivocada, puedo señalar eso y decir bueno, eso estaba equivocado, estaba masivamente incorrecto. Y eso es, ya sabes, es binario, o era preciso o no lo era. 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 aísla de estar equivocado?

Joannes Vermorel: No, quiero decir, técnicamente hay métricas para la precisión de los forecast probabilísticos pero aún más interesante, puedes evaluar la corrección de las decisiones 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. Siempre que haces un cálculo, solo usas cierto número de dígitos de precisión. ¿Es importante la pérdida de precisión o no? La respuesta es, depende. Y en la supply chain, ¿depende de qué? Bueno, depende de si la decisión final es buena o mala.

Entonces, al final, lo que estoy diciendo es que deberías juzgar la calidad de este enfoque basado en el riesgo por lo que hace al final del proceso, las decisiones. Lidiar con probabilidades de alta dimensión, con la evaluación numérica de probabilidades en un espacio de alta dimensión viene con todo tipo de peculiaridades. Si las técnicas son apropiadas o no, realmente deberían ser juzgadas por los resultados finales, no por la calidad de un forecast probabilístico.

Necesariamente, la precisión del forecast 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. Perdóname, no quiero ser condescendiente, pero ¿estás diciendo que la idea de querer un forecast más preciso es técnicamente incorrecta en términos de gestión de riesgos?

Joannes Vermorel: Entonces, primero, digo que cuando dices que tienes, digamos, un forecast 20% inexacto, esos porcentajes son una unidad completamente inventada. No son kilogramos, no son kilovatios, no son algo que tenga algún tipo de 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 no en absoluto. Puedes tener forecast extremadamente dañinos que resultan ser muy precisos, donde la inexactitud expresada como un porcentaje es muy baja.

Hay una anécdota que me han contado una y otra vez donde puedes simplemente prever cero demanda para una tienda y eso te dará muy rápidamente un forecast muy preciso. Preves cero, abres con cero, y el forecast se vuelve 100% preciso. Entonces, esta medida que expresa porcentajes no es muy sensata.

Si te digo que puedes tener una medida de forecast probabilístico expresada en entropía cruzada, eso es muy abstracto y no va a ser muy revelador. Pero el caso que estoy haciendo es que la entropía cruzada es tan abstracta y opaca como los porcentajes. Es muy 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 exhibe gradientes muy pronunciados que facilitan el aprendizaje de modelos de alta calidad. Eso es algo muy técnico, pero funciona. ¿Y funciona en qué sentido? Funciona juzgando los resultados finales, que es la decisión generada al final del proceso y que finalmente resulta en euros o dólares reducidos de error. Esa es la métrica que es relevante para las personas que operan desde esta perspectiva basada en el riesgo.

De nuevo, si operas desde la perspectiva de las series de tiempo, estás pensando en términos de, al igual que un fabricante de automóviles con un defecto que mataría a las personas. Dices: “Sabes qué, no contamos dólares, solo queremos asegurarnos de que somos extremadamente seguros y que estamos seguros casi más allá de las mediciones”.

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

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

Verás, si dices: “Oh, este proveedor tiene un 2% de riesgo de ir a la quiebra el próximo año”, está bien, ¿afecta 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 estás actuando en base a esta evaluación. Y cuando digo actuando, la gente realmente piensa que eso es un error. Cuando la gente piensa en supply chain, 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 puntos de precio? Esas son decisiones que también conllevan riesgo y esas decisiones 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 competidor, tus clientes, la pregunta es, si no hay algo que conecte numéricamente los puntos entre esta evaluación y esas decisiones muy pequeñas que tomas, entonces no estás gestionando adecuadamente el riesgo.

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

Joannes Vermorel: Ambos 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 total y eso está bien. Eso es capitalismo. Esta es una economía de ganancias y pérdidas. La gente toma riesgos y hay suerte 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 intentar racionalizar el proceso un poco, pero fundamentalmente, es algo que evade las estadísticas y el análisis cuantitativo.

Por el contrario, si miras una supply chain, una empresa de tamaño medio va a tomar 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 ir con tu evaluación intuitiva, en el caso de esas decenas de miles de decisiones que deben tomarse 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 escala macro, reduzcámoslo a algo como el nivel de SKU. Entonces, tenemos una serie de tiendas, tenemos 10 tiendas, y tenemos una cantidad finita de inventario, inventario de camisetas blancas, y todas las 10 tiendas necesitan camisetas blancas. ¿Cuál sería la forma más probabilística y con mayor información de 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, vas a asumir que conoces el futuro. Entonces, tienes un faltante de stock. Básicamente, dices que cada tienda debería tener esta cantidad en stock y luego para reconocer la pequeña incertidumbre residual encima de eso, vas a agregar un pequeño buffer y eso es tu faltante de stock. Todas las tiendas son tratadas de manera independiente y la idea es que deberías tener suficiente stock para cubrir todas tus tiendas.

Ahora, ¿cuál es el riesgo real? El riesgo es que puedes quedarte sin stock a nivel de almacén y luego la pregunta se convierte en, tengo un recurso que es limitado en el almacén, ¿qué debería hacer por mis diversas tiendas? Si simplemente lo haces de la manera clásica, la manera clásica diría que tengo mi faltante de stock, simplemente hago la asignación para la primera tienda, todavía tengo inventario restante, 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 efectivamente llenar las primeras cuatro tiendas y no enviar nada a las demás. Esto no es muy inteligente. Esto no está lidiando adecuadamente con esta situación, esta pequeña mini crisis que tienes al tener un producto fuera de stock en el almacén.

Conor Doherty: ¿Cuáles son los riesgos allí, sin embargo, desde la perspectiva financiera?

Joannes Vermorel: No, ese no es el caso. Eso es para lo que sirve tu faltante de stock. Cuando pones un faltante de stock, 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 faltante de stock. Es un buffer que muy probablemente no necesitarás.

Si quieres maximizar tu venta, es mucho mejor simplemente repartir 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 a lo que quieres acercarte.

Consideremos la situación alternativa donde has concentrado el stock en las primeras cuatro tiendas. Tienes todas las otras tiendas que están sin stock, por lo que no vendes en absoluto. Y para esas, solo vas a vender algo como la mitad del inventario, por lo que vas a tener mucho sobrante. Terminas en una situación donde tienes una tienda que está 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 tener un faltante de stock. Una forma de manejar eso 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 todavía pueden tener un poco de mercancía.

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

Conor Doherty: Tengo curiosidad sobre cómo exactamente puede una empresa manejar todo esto porque eso es mucha información en comparación con digamos el enfoque tradicional de series de tiempo. ¿La única forma de manejar todo esto es a través de la automatización o todavía hay personas involucradas revisando 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 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, tienes un autómata de reabastecimiento que simplemente se ejecuta típicamente sin supervisión. Este ha sido ya el caso de tener configuraciones ampliamente automatizadas durante décadas.

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

Conor Doherty: ¿Podría una empresa que no aprovecha la automatización, pero digamos, como mencioné antes, tiene 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 torno a riesgos más tangibles como skus, tiendas, inundaciones. Estos son todos recursos o activos muy tangibles y los riesgos conmensurados. ¿Existen riesgos intangibles, cosas como tiempo, ancho de banda, conocimiento, todas estas cosas que entran en la gestión de una empresa? ¿Cuáles son los riesgos allí o cómo los gestionamos?

Joannes Vermorel: Existen 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 suceder en el futuro, y entonces 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 durante muchos años, por lo que no es algo donde la experimentación sea fácil.

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 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 pierdes al bajar tu precio, por lo que renuncias a un margen. Ese es un costo inmediato, pero también existe este riesgo extra de generar malos hábitos en el lado del cliente y necesitas cuantificar esos costos.

También existen otras clases de riesgo, como las dependencias de TI. Puedes tener software que se descompone, puedes tener muchas otras cosas que simplemente impactan tu supply chain. Pero estos riesgos son más como los de la fabricación donde quieres que tu ERP esté 100% en funcionamiento. 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 de consumo. ¿A qué te refieres con eso?

Joannes Vermorel: Cada vez que haces una promoción, el cliente ve que haces una promoción. Entonces, la próxima vez, dirán: “No compraré a precio completo. Solo esperaré hasta que hagas una promoción nuevamente. 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 mayormente fuera de tu alcance porque lleva una década moldear la mentalidad de tus clientes.

Cuando estableces un precio, transmites un mensaje a tus clientes. Las personas prestan un grado de atención, pero lleva tiempo asimilarlo. Por lo tanto, hay una inercia sustancial. Puedes intentar hacer un modelado sofisticado para estimar exactamente cuál sería el impacto, pero la realidad es que como este tipo de cosas llevan años, no vas a poder experimentar mucho. No vas a poder validar las técnicas que estás utilizando. Por lo tanto, en realidad, necesitas tomar decisiones basadas en tu juicio.

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

Joannes Vermorel: Sí, y cuando tienes este enfoque basado en el riesgo, es mucho más compatible con este tipo de estimaciones en comparación con un forecast de planificación de series de tiempo tradicional donde este tipo de cosas no tenía lugar.

Conor Doherty: Entonces, el principio rector para determinar qué tipo de políticas de regla general de la servilleta deberían tomar las empresas debería ser, ¿contribuye a un mayor retorno?

Joannes Vermorel: Si algo puede ser evaluado cuantitativamente, entonces adelante. Pero cuando no es posible, pero hay un acuerdo general de que es importante, entonces deberías hacer una estimación.

Creo que es un camino muy peligroso decir que no tenemos números razonables y por lo tanto pretendemos que no existe. Existe y por lo tanto necesitas hacer una estimación. 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 sobre si un análisis cuantitativo es financieramente prohibitivo. Entonces, para las empresas más grandes que pueden permitirse políticas de forecast y gestión de riesgos más elaboradas, tal vez puedan tomar el enfoque probabilístico. Pero para las empresas que no tienen ese tipo de dinero disponible, ¿qué consejo darías en términos de gestión de riesgos que sería 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 ayude a 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 10 millones de dólares o euros o más, esta 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 como reposición de inventario, programación de producción, control de inventario, gestión de precios, y tienen un proceso que simplemente ignora completamente el riesgo, yo 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 completamente el riesgo.

Debido a que es inusual, la gente esperaría que solo las cosas que están reservadas para empresas como Amazon y demás. No, no lo es. En gran medida, el forecast de series de tiempo clásico es mucho más complicado y la razón es que es un problema desajustado. 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 se ajusta en absoluto al problema real y esta solución, aunque parece fácil en la práctica, es una pesadilla para implementar y usar en comparación.

El tipo de forecast probabilístico que Lokad está utilizando para clientes pequeños, empresas pequeñas, es inusual pero se ajusta bien al problema y por lo tanto, al final, ya sabes, y eso es de nuevo en mis conferencias doy ejemplos de que si quieres echar un vistazo a las técnicas de probabilidad, la mayoría de mis ejemplos de código tienen menos de 20 líneas. Entonces la gente diría oh esto es imposiblemente complicado y yo diría bueno son como 20 líneas de código y puedes ir a dar el detalle completo del método en una conferencia que dura como una hora y media.

¿Realmente puedes decir que algo es que tu empresa es tan pequeña que no puedes permitirte gastar algo como unas pocas decenas de horas en el caso? ¿Realmente está más allá de tus medios? Quiero decir sí, si eres como una boutique con solo una persona pero si eres una empresas que hace más de 10 millones de dólares de facturación al año, no eres una boutique. Ya tienes cosas en juego y los errores pueden costar mucho más y a la inversa, porque no son solo los errores, también son oportunidades.

Si al subir tu precio en el momento adecuado aumentas tu margen en un diez por ciento, eso puede resultar en unos cientos de miles de dólares de efectivo puro que fluye hacia 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 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 es tanto un salto de fe. Creo que hay esta idea muy extraña de que desde la teoría de supply chain convencional, los riesgos no existen literalmente. Tienes esas fluctuaciones super suaves de la demanda y fluctuaciones super suaves de los tiempos de entrega modelados 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 emprendedor que no fuera plenamente consciente de que el negocio que tienen está lleno de riesgos por todas partes. La especie de locura es que con el software de supply chain convencional, la gente finge que los riesgos no están ahí pero los riesgos siguen estando ahí y por lo tanto las empresas se enfrentan rutinariamente a catástrofes que son muy costosas debido a riesgos que no eran como de nuevo no estoy diciendo como invertir entrando al Mercado Ruso en 1991 pensando que funcionará que de repente se va a convertir en el nuevo El Dorado.

Estoy diciendo que las empresas se enfrentan a catástrofes por cosas que eran totalmente prevenibles, cosas que estaban realmente dentro del viento de lo esperado como riesgos tales como proveedores teniendo problemas, precios subiendo o bajando, demanda fluctuando pero no fuera de lo que se podría esperar de la evolución general del mercado. Este tipo de cosas y por lo tanto mi punto es que hay esta locura donde la mayoría de las prácticas convencionales simplemente ignoran el riesgo.

Cuando hablo con los profesionales de supply chain, 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 solo muy diferente de lo que estás haciendo y no solo es conocido, es en realidad más barato porque también conduce a un mayor grado de automatización porque también una de las razones por las que necesitas tanta gente cuando haces supply chain con series de tiempo es que debido al hecho de que tienes una discrepancia masiva entre la realidad y esas series de tiempo, necesitas tener a mucha gente para simplemente parchar el proceso todo el tiempo.

Pero si tienes algo donde tienes una mejor coincidencia, no necesitas casi tanta gente para parchar la cosa.

Conor Doherty: En esa nota, creo que voy a dar por terminadas las cosas. Joannes, muchas gracias como siempre, ha sido un placer. Y muchas gracias por ver, nos vemos la próxima vez.