00:00:00 Introducción y trayectoria de Sim en data science y análisis de supply chain.
00:02:00 Descripción general del forecast y de las series de tiempo como un enfoque común en la gestión de supply chain.
00:06:26 Introducción al forecast probabilístico y su diferencia con el forecast puntual.
00:08:10 La experiencia de Sim con el forecast probabilístico y el abordaje de desafíos empresariales del mundo real.
00:09:15 Discusión sobre las limitaciones del forecast puntual y los beneficios del forecast probabilístico en la gestión de riesgos.
00:11:39 Discusión sobre la regresión cuantílica y su relevancia para la gestión de inventario.
00:14:20 Transición al forecast probabilístico y sus ventajas.
00:16:37 Comparando el forecast probabilístico con métodos tradicionales y sus limitaciones.
00:17:37 El desarrollo del forecast probabilístico en diferentes industrias.
00:19:00 Cómo el forecast probabilístico simplifica la gestión de inventario en comparación con el enfoque clásico.
00:23:07 Discusión sobre el enfoque de forecast cuantílico y sus desafíos.
00:24:26 Entorno limitado en los negocios y supply chain.
00:25:58 Introducción al forecast probabilístico para una mejor toma de decisiones.
00:27:56 Abordar los desafíos de supply chain con forecast probabilístico.
00:30:41 Implementar el forecast probabilístico en empresas grandes y consolidadas.
00:34:10 Importancia del rediseño organizacional para adoptar un nuevo sistema.
00:36:02 Enfoque tradicional para la resolución de conflictos entre múltiples restricciones.
00:38:31 Desafíos de dejar atrás los métodos tradicionales de forecast.
00:41:00 Cómo re-priorizar y reestructurar la asignación de recursos.
00:42:33 El valor potencial de adoptar el forecast probabilístico.
00:45:30 Animar a las empresas a dar un salto con nueva tecnología.
00:46:55 Transición de Excel a herramientas más avanzadas en la gestión de supply chain.
00:48:30 Dependencia de ingenieros calificados para herramientas avanzadas de supply chain.
00:50:06 Confiar en las recomendaciones de los nuevos sistemas.
00:53:00 Importancia del conocimiento combinado de supply chain y data science.
00:56:49 Crear una entidad de data science interdepartamental.
00:59:42 Discutir la estructura futura de la analítica de datos y su incorporación en las divisiones.
01:02:16 Los beneficios de tener una única organización de data science.
01:04:01 La importancia de entender supply chain al implementar nuevas tecnologías.
01:05:38 Comparar el forecast probabilístico con tecnologías más complejas como deep learning.
01:08:16 Importancia de la lógica de reabastecimiento y su relación con el forecast.
01:10:34 Los desafíos de convencer a los líderes de supply chain para adoptar un nuevo enfoque.
01:12:05 La experiencia de Sim con el forecast probabilístico y sus beneficios.
01:15:01 Anécdota de aplicar el forecast cuantílico en un gran minorista canadiense.
01:19:35 Discutir decisiones subóptimas en los negocios y una mejor toma de decisiones.
01:21:14 La importancia de las decisiones basadas en ROI para casos límite.
01:22:18 Llamado a la acción: adoptar nuevos conceptos y enfoques en la gestión de supply chain.
01:23:25 Esperanzas de un escenario de pedido y reabastecimiento más óptimo en el futuro.
Resumen
En esta entrevista, Joannes Vermorel, fundador de Lokad, y Sim Taylor, Director de Analytics y Data Science en Petco, discuten la importancia del forecast probabilístico en la optimización de supply chain. Explican que implica asignar probabilidades a múltiples escenarios, lo que permite una mejor gestión de inventario y toma de decisiones. A pesar de los desafíos de implementar el forecast probabilístico en grandes organizaciones, animan a los directores de supply chain a adoptar nuevos conceptos y a ir más allá de los enfoques tradicionales. También enfatizan la importancia de la confianza en los data scientists y la necesidad de profesionales que comprendan tanto los desafíos de supply chain como los aspectos técnicos.
Resumen Extendido
En esta entrevista, el presentador Conor Doherty conversa con Joannes Vermorel, fundador de Lokad, y Sim Taylor, Director de Analytics and Data Science en Petco. Discuten la importancia del forecast probabilístico en la optimización de supply chain.
Sim Taylor comparte su experiencia en data science y analítica, trabajando principalmente en análisis de mercancías y supply chain. Explica que su trabajo tiene como objetivo utilizar datos y estadísticas para guiar de mejor manera los productos a distintas ubicaciones en supply chain, centros de cumplimiento, tiendas y clientes, en las cantidades adecuadas y en el momento oportuno para satisfacer a los clientes y maximizar los resultados financieros.
Al preguntarle sobre el forecast, Taylor lo describe como hacer una inferencia o predicción sobre un resultado futuro utilizando información histórica y otros puntos de datos. Vermorel está de acuerdo, y añade que el forecast de series de tiempo es una piedra angular de la teoría clásica de supply chain, pero enfatiza que es solo uno de los muchos enfoques para pensar en el futuro.
La discusión se traslada al forecast probabilístico, que consiste en asignar probabilidades o posibilidades a múltiples escenarios. Taylor comparte su experiencia utilizando la regresión cuantílica en el forecast, que tiene como objetivo predecir eventos extremos y ayudar a prevenir el faltante de stock. Este método implica resolver directamente para un nivel de servicio específico, permitiendo a las empresas establecer niveles de inventario sin depender de cálculos de stock de seguridad potencialmente incorrectos.
Taylor explica que el enfoque clásico para la gestión de inventario implica predecir el resultado más probable (forecast) y tener en cuenta la variabilidad añadiendo stock de seguridad. El forecast probabilístico, en cambio, estima directamente el inventario total necesario para cubrir el riesgo de faltante de stock. Taylor también habla sobre los desafíos de determinar el extremo cuantílico correcto de la demanda y equilibrar las necesidades del cliente con los aspectos financieros y los costes de inventario.
Los entrevistados discuten las ventajas del forecast probabilístico en entornos con restricciones, como presupuestos limitados o cantidades mínimas de pedido. Taylor señala que el forecast probabilístico puede ayudar a las empresas a tomar decisiones claras entre necesidades contrapuestas al comprender la probabilidad de vender cada unidad adicional y el valor financiero que esta proporcionaría.
La discusión destaca los desafíos que enfrentan las organizaciones al tratar de implementar el forecast probabilístico, especialmente cuando se trata de modificar procesos establecidos y divisiones de trabajo. Sim Taylor comparte su experiencia en la implementación del enfoque de forecast cuántico, que requiere un entendimiento integral y responsabilidad sobre la ejecución de supply chain. El forecast sirve como un medio para alcanzar un fin, centrándose en mejorar la satisfacción del cliente, las ventas y en minimizar los costes.
Sim Taylor subraya la importancia de automatizar el trabajo matemático pesado en el forecast y las cantidades de pedido, sin dejar de reconocer el valor de la intuición humana y la experiencia de los gerentes de supply chain experimentados. Sugiere que las empresas pueden rediseñar sus organizaciones para optimizar el uso de su personal experimentado, lo que puede implicar cambiar sus roles y confiar en las recomendaciones del sistema.
Joannes Vermorel enfatiza el desafío de dejar atrás los forecast tradicionales y sus KPIs asociados, ya que el forecast probabilístico desplaza el foco de la precisión de los forecasts hacia las decisiones operativas que estos posibilitan. Le pregunta a Sim Taylor su perspectiva sobre cómo las empresas pueden re-priorizar y reestructurar sus recursos para acomodar este cambio.
Sim Taylor reconoce la dificultad de implementar el forecast probabilístico en organizaciones grandes y aversas al riesgo. Sugiere que el éxito se puede lograr paso a paso, primero ofreciendo herramientas más simples y rápidas, y luego demostrando el valor del nuevo enfoque. Esto puede implicar encontrar un caso de uso o una empresa dispuesta a dar el salto de fe y medir los resultados empresariales. En general, la conversación enfatiza los beneficios potenciales de adoptar el forecast probabilístico, al tiempo que reconoce los desafíos que presenta para las organizaciones establecidas.
La conversación aborda la necesidad de demostrar el éxito para fomentar la adopción de nuevas tecnologías y enfoques. Vermorel expresa su preocupación por las limitaciones de Excel y la necesidad de herramientas más avanzadas para manejar la incertidumbre. Taylor reconoce el uso de Excel por parte de los profesionales de supply chain, pero destaca que muchas decisiones son impulsadas por un sistema que a menudo resulta ser una “caja negra” para quienes lo usan.
Ambos Taylor y Vermorel enfatizan la importancia de confiar en los data scientists y la necesidad de profesionales que comprendan los desafíos de supply chain y que puedan trabajar con código para automatizar decisiones de manera inteligente. Taylor sugiere encontrar individuos con una combinación de comprensión de supply chain y inclinación técnica. Vermorel añade que, en el futuro, imagina que la data science se integrará en cada división de una empresa, con analistas especializados en sus respectivas áreas.
Sim Taylor enfatiza la importancia de ofrecer un valor tangible en la gestión de supply chain, independientemente del título o rol que se tenga. Él cree que combinar la experiencia técnica con el conocimiento empresarial es crucial para lograr resultados financieros positivos. La conversación también aborda el valor de la colaboración entre expertos en analítica de diferentes áreas y la importancia de estar vinculados al negocio para obtener resultados significativos.
Joannes Vermorel destaca los beneficios prácticos del forecast probabilístico en la gestión de supply chain, en contraposición a innovaciones más técnicas como deep learning. El forecast probabilístico se centra en crear valor abordando el problema de la incertidumbre de una manera radicalmente diferente.
Sim Taylor también discute la importancia de la lógica de reabastecimiento y cómo es crucial para tomar decisiones en la gestión de supply chain. Él cree que centrarse en el valor de supply chain es esencial, y que la conversación debe girar en torno a cómo las decisiones generan el mejor resultado.
Ambos Taylor y Vermorel coinciden en que compartir casos de uso e historias de éxito es importante para generar confianza en las empresas y demostrar el valor del forecast probabilístico. Taylor comparte un ejemplo de su trabajo con un gran minorista canadiense, donde la aplicación de un enfoque de forecast cuantílico llevó a mejoras en la disponibilidad de stock y en la gestión de inventario.
Taylor enfatiza que supply chain es un mundo lleno de restricciones, y que los casos límite pueden conducir a resultados subóptimos. El objetivo es utilizar información adicional para tomar decisiones más óptimas que requieran menos esfuerzo. Un ejemplo que ofrece es decidir si ordenar un camión completo a un proveedor cuando solo se necesita una parte. La capacidad de evaluar el valor de cada unidad, la probabilidad de venderla y el margen potencial y los costes de mantenimiento permite tomar mejores decisiones en tales casos.
Tanto Vermorel como Taylor animan a los directores de supply chain a evaluar y adoptar nuevos conceptos, como el forecast probabilístico, y a ir más allá de los enfoques tradicionales que se han utilizado durante décadas. Esperan que, al compartir ejemplos exitosos, puedan acelerar la conversación y ayudar a las empresas a tomar decisiones de pedido y reabastecimiento más óptimas.
Transcripción Completa
Conor Doherty: Bienvenidos de nuevo a Lokad TV. Soy su presentador, Conor, y como siempre, me acompaña el fundador de Lokad, Joannes Vermorel. Hoy, estamos conversando con Sim Taylor. Él es el Director de Analytics and Data Science en Petco, una compañía bastante grande, y nos va a hablar sobre los méritos del forecast probabilístico. Tim, bienvenido a Lokad.
Sim Taylor: Hola, muchas gracias por invitarme, Conor y Joannes. Un poco sobre mi experiencia: gestiono equipos de data science y analítica, especializándome en analítica de mercancías y supply chain. La mayor parte de mi carrera ha sido desde una perspectiva de consultoría. Trabajé con Deloitte durante muchos años en sus equipos de supply chain en el Reino Unido y Canadá, y realmente en la segunda mitad de ese periodo, me centré en construir modelos para ayudar a las empresas a optimizar su inventario. Esencialmente, mi trabajo se reduce a cómo podemos usar datos y estadísticas para guiar de mejor manera los productos a distintas ubicaciones en supply chain, centros de cumplimiento, tiendas y clientes, en las cantidades adecuadas y en el momento oportuno para satisfacer a los clientes y maximizar los resultados financieros. He trabajado con una variedad de empresas, predominantemente grandes almacenes y minoristas de mercancías generales, típicamente con muchos productos, una gran variedad y un amplio portafolio de stock, incluyendo algo de moda y comercio minorista especializado. Hace un par de años, hice la transición del mundo de la consultoría a la industria, y actualmente trabajo en Petco, un importante minorista de mascotas estadounidense con sede en California y presencia en todo EE. UU. y México.
Conor Doherty: Gracias. Cuando describes a la gente, en términos generales, qué es el forecast, ¿cómo lo explicas a audiencias no especializadas?
Sim Taylor: Claro, entonces el forecast, como base, es un proceso relativamente comprensible. Esencialmente, consiste en hacer una inferencia o predicción sobre un resultado futuro. En supply chain y retail, hablamos mucho sobre el forecast de demanda, la demanda del cliente. Entonces, para este producto en esta tienda, ¿qué quieren mis clientes dentro de una semana, o dentro de dos semanas, o dentro de 52 semanas? Se trata realmente de utilizar información histórica y datos que conocemos sobre el futuro, como los precios de los productos y otros puntos de datos clave, para entender cuál es el resultado probable que podríamos esperar y cómo podemos planificar nuestro pedido y ubicar el producto en el lugar correcto en torno a ello. Es, en realidad, la piedra angular de la teoría clásica de la supply chain, ese forecast. Joannes, ¿estarías de acuerdo con esa definición?
Joannes Vermorel: Sí, estoy muy de acuerdo con la idea de que el forecast de series temporales es la piedra angular de la teoría clásica de la supply chain. Pero también me gustaría señalar que, en realidad, es un matiz muy específico de la forma en la que se puede abordar el futuro. Este enfoque se ha establecido y ha sido tan prevalente durante tanto tiempo, que la industria en su conjunto, en gran medida, ha olvidado que es solo uno de los muchos enfoques que existen para pensar en el futuro. Porque es algo esquivo, pensar en el futuro y anticiparlo. Pensarlo a través del lente del forecast de series temporales te brinda ciertas capacidades, como la gran cantidad de modelos que encajarían en este paradigma, pero también limita lo que puedes hacer. Y creo que una de las cosas interesantes en esta industria es que, debido a que los forecasts de series temporales han existido
Conor Doherty: Creo que podría ser útil hablar sobre cómo me encontré con el forecast probabilístico. Vengo de un entorno empresarial en lugar de uno académico, así que en realidad me topé con el forecast probabilístico cuando trabajaba con un minorista tratando de resolver algunos de los desafíos empresariales reales de pedidos y replenishment.
Sim Taylor: Para ese cliente, estábamos construyendo herramientas de replenishment basadas en el forecast puntual estándar, que sigue siendo la base en la mayoría de los negocios. Esencialmente, pensamos que este producto se venderá en cinco unidades mañana, seis unidades pasado mañana, etc. Debido a que existe tanta posibilidad de que ese único número no sea correcto, aplicábamos entonces el enfoque o ecuación clásica de safety stock, básicamente diciendo que nuestra única predicción del resultado de demanda más probable estaría equivocada muchas veces.
The standard safety stock approach essentially makes a blunt assumption that the variability of demand and supplier lead times are symmetrically distributed around our most likely forecast prediction. This assumption of normality from a stats perspective really just gets accepted as the baseline without question at a lot of businesses.
Mientras realizábamos este trabajo, mi equipo y yo estábamos observando la realidad de las ventas a lo largo de la ventana de lead time relevante. Descubrimos la idea de que, en la mayoría de los casos, la suposición de normalidad no se cumple en absoluto para la mayoría de los minoristas. La demanda y los lead times normalmente no están distribuidos de forma normal. Tu demanda tiende a concentrarse fuertemente alrededor de un valor bajo para la mayoría de los productos, y luego existe esa larga cola de valores potenciales de demanda hacia la derecha.
Nos quedó claro que necesitábamos utilizar distribuciones estadísticas más representativas para modelar esta variabilidad de la demanda del cliente y de los lead times. De lo contrario, correríamos el riesgo de enfrentar un faltante de stock en algunas situaciones porque no habríamos modelado correctamente los posibles resultados.
Conor Doherty: Entonces, ¿cómo comenzaron tú y tu equipo a considerar alternativas al forecast puntual?
Sim Taylor: Primero terminamos apoyándonos en la regresión de cuantiles en nuestros forecast, que se centra en la idea de que, en inventario, en realidad no nos importa el resultado más probable, que es lo que obtenemos de un forecast estándar. Lo que nos importa son esos eventos extremos y asegurarnos de tener suficiente inventario para prevenir faltantes de stock cuando estos ocurran. Eso es lo que hacen los niveles de servicio en el enfoque estándar de safety stock.
Construimos forecast utilizando regresión de cuantiles que trataba de resolver directamente para un nivel de servicio específico. Por ejemplo, si enumeramos todas las posibles ocurrencias de demanda a lo largo del lead time, ¿cuál es el percentil 95, la situación muy poco probable de esa demanda en ese lead time? Eso es a lo que estableces tu nivel de inventario. No tienes que preocuparte por llamarlo safety stock o por si tus cálculos de safety stock son intrínsecamente erróneos basados en suposiciones incorrectas.
Así es como comenzamos a explorar diferentes forecast de demanda, más allá del simplemente obtener el resultado promedio. Luego, la pregunta evolucionó a: ¿a qué nivel de servicio deberíamos fijar para determinar qué cuantil de la demanda o del lead time predecir, y cómo combinamos esos forecast de cuantiles de demanda y de lead times? Fue entonces cuando me topé con Lokad y su enfoque único y diferenciado, en el que predicen todos los posibles resultados de la demanda a lo largo del lead time y asignan una probabilidad a cada uno, lo que captura mucha más información que incluso comprender los cuantiles.
Joannes Vermorel: Tu trayectoria es increíblemente similar a la mía, porque fue en Lokad donde tuve mis problemas personales con estas suposiciones. El término “safety stock” suena seguro, pero la realidad es que las suposiciones matemáticas que se utilizan en él son bastante insanas y, sin duda, muy inseguras. Terminas obteniendo cosas como lead times negativos, lo cual es increíblemente extraño. Eso es lo que obtienes con una distribución normal para los lead times. Y la idea
Conor Doherty: Me di cuenta de que existía una desconexión entre lo que la gente realmente estaba interesada y lo que decían. Los directores de supply chain querían un better forecast, pero en última instancia lo que querían era una mejor decisión de supply chain. Cuando empiezas a pensar en términos de estadísticas, no es el promedio lo que importa, sino los extremos. Estas situaciones extremas son las que desencadenan escenarios de faltante de stock o exceso de stock, y esas son las situaciones que verdaderamente quieres analizar desde una perspectiva estadística. Descubrí que personas en finanzas y en el forecast del clima han estado haciendo forecast probabilístico desde principios de los 90. En 2011-2012, empezamos a hacer eso para la supply chain con un retraso considerable en comparación con otros pioneros en otros sectores.
Sim Taylor: El enfoque clásico aún intenta contemplar el riesgo, pero nosotros solo estamos denominando nuestro inventario de formas diferentes. En realidad, lo que importa es el resultado para el negocio. En nuestro enfoque estándar, tratamos de ser realmente buenos en predecir el resultado más probable, pero reconocemos que es una manera extraña de verlo, porque nos importa realmente cubrir el riesgo de eventualidades más extremas, y contamos con ese safety stock. El forecast de cuantiles establece directamente ambos, examinando el ejemplo extremo de la demanda y calculando el inventario que deberíamos tener en nuestra ubicación.
Joannes Vermorel: Cuando tienes una gama completa de probabilidades potenciales, ¿cómo se transforma eso realmente y se utiliza en la realidad empresarial? Son esas decisiones de pedido las que nos importan, asegurándonos de que sean lo más óptimas posible. Quizás ya no necesitemos el término “safety stock”, pero tengo curiosidad por saber cómo lo traduces a la ejecución en el mundo real.
Sim Taylor: La primera motivación para considerar forecast alternativos fue observar la realidad de que las ocurrencias de demanda no siguen el tipo de distribución que se modela en el enfoque clásico de safety stock. Ese fue el principal impulso para que yo considerara otros enfoques y evaluara nuestra capacidad de tener un modelo alternativo que se ajustara mejor a los datos.
Conor Doherty: Entonces, para replicar o contabilizar mejor la variabilidad, tal como se observa típicamente en la demanda y en los lead times, comenzaste con un enfoque de forecast de cuantiles. Pero hubo desafíos, como determinar el cuantil extremo adecuado de la demanda para equilibrar las necesidades del cliente y las finanzas frente al costo de mantener inventario. Y en entornos restringidos, que son comunes en los negocios y en las supply chain, necesitabas una forma de decidir entre diferentes productos y unidades para comprar. ¿Puedes comentar más sobre cómo descubriste el forecast probabilístico como una solución a estos desafíos?
Sim Taylor: Sí, lo que me interesó del forecast probabilístico fue el concepto de comprender todos los escenarios potenciales y sus probabilidades. Si sé la probabilidad de vender cuatro unidades, cinco unidades, seis unidades, puedo calcular qué tan probable es que venda la siguiente unidad que voy a comprar. Si conozco eso y el valor que obtengo de vender ese producto, el margen bruto, así como los costos de mantener ese producto y el faltante de stock, puedo tomar una decisión clara acerca de qué unidad aporta más valor a mi negocio. Al hacer eso, se resuelven muchos de los desafíos con los que mi equipo y otros han estado lidiando durante mucho tiempo. Siempre estamos en un entorno restringido, y entender la probabilidad de que cada siguiente unidad se venda y su valor financiero es una forma elegante de abordar esos desafíos.
Joannes Vermorel: Eso es muy interesante. Mi mayor dificultad al intentar impulsar el forecast probabilístico en grandes empresas consolidadas, como Petco, es la división histórica del trabajo entre el forecasting y la toma de decisiones. Las grandes organizaciones típicamente han dividido el trabajo entre las personas a cargo del forecasting y aquellas que toman decisiones, como el replenishment, las órdenes de producción y las órdenes de movimiento de stock. Pero el forecast probabilístico es una herramienta que permite un proceso de toma de decisiones más eficiente. La toma de decisiones en sí no es exactamente el forecast, sino que, fundamentalmente, tomar la decisión de replenishment y hacer el forecast están mucho más entrelazados que en el viejo mundo, donde había un equipo separado encargado del análisis de safety stock y de tomar las decisiones.
Conor Doherty: El replenishment es, diría yo, una teoría clásica de supply chain que proporciona una división del trabajo muy clara entre las personas encargadas de hacer el forecasting/planificación y aquellas que se supone deben tomar la decisión operativa, como las órdenes de producción, órdenes de replenishment, órdenes de movimiento de stock, etc. ¿Cómo abordas eso? Has operado en empresas muy grandes y consolidadas que, obviamente, tenían una práctica de supply chain que en gran medida precede a esos conocimientos probabilísticos. ¿Cómo abordaste realmente la organización con este tipo de método que, creo, no respeta las fronteras históricas de la división del trabajo que existían para apoyar la práctica de supply chain?
Sim Taylor: Creo que en situaciones donde hemos aportado valor, por ejemplo, con el enfoque de quantum forecasting, realmente ayuda tener responsabilidad sobre toda la ejecución de la supply chain. Si nuestro objetivo final, que siempre lo es, es mejorar la satisfacción del cliente, las ventas y minimizar nuestros costos al mismo tiempo, el forecast en sí es solo un medio para lograr un fin. Nos importan los resultados: cuánto debo ordenar, a qué ubicación y en qué momento, tanto en centros de distribución como en tiendas. Donde he tenido éxito anteriormente es cuando se nos asignaba la responsabilidad de construir ese forecast y traducirlo directamente a las cantidades de pedido.
Realizamos forecast, generamos las cantidades de pedido, ya sea de proveedores hacia centros de distribución o el replenishment desde centros de distribución hacia tiendas. El rol es, en gran medida, un proceso de aprobación y evaluación. En un mundo ideal, deseas automatizar tanto como sea posible el pesado trabajo matemático y acertar en la mayoría de los escenarios. Luego, combinar ese insight basado en datos con la experiencia de los equipos de negocio es una forma de comprender y evaluar los extremos o varios ejemplos y hacer los ajustes necesarios.
Cuando un negocio busca reemplazar o transformar la forma en que realiza sus pedidos y replenishment, es un proyecto considerable que requiere mucho trabajo, muchos meses para implementar y la participación de muchas personas. Es una oportunidad para reiniciar y refrescar cómo funciona tu negocio. Muchos negocios aprovechan esa oportunidad para rediseñar su organización, lo cual típicamente implica la gestión del cambio y el rediseño organizacional. Si puedes rediseñar tu organización y reestructurarla en torno a un sistema mucho mejor, ahí es donde radica el verdadero éxito al reducir los costos de pedido y mejorar los stock levels para los clientes.
Conor Doherty: Solo tengo una pregunta muy específica que quiero hacerte, Joannes. Hablamos del enfoque tradicional para resolver los conflictos entre múltiples restricciones cuando se trata de equipos de negocio. ¿Cuál es la manera normal en que un equipo de negocio no probabilístico resolvería eso, o en que se realiza un proceso de optimización no probabilístico, en el día a día?
Joannes Vermorel: Si tomamos un ejemplo del retail, tendrías un equipo que se encarga del forecasting. Ellos establecerían la base, gestionarían los perfiles de seasonality y tal vez establecerían cosas como las ABC classes con el nivel de enfoque, entre otros. Así que habría un equipo muy relacionado con el establecimiento de proyecciones futuras basadas en series temporales. Luego, terminas con otro equipo o con una serie de equipos que se encargan de las decisiones operativas, como el replenishment o decidir si un producto es incluso elegible o no para una tienda. La organización principal está completamente justificada, y es muy establecida y especializada en el sentido de que la mayoría de las herramientas de software que existen en el mercado te proporcionan interfaces de usuario y procesos.
Joannes Vermorel: Cuando tienes workflows hechos a la medida para esta mentalidad, incluso si es en parte arbitrario, una vez que tienes toneladas de herramientas que verifican las posiciones, tienes una pantalla dedicada a la revisión del forecast de series temporales, otra pantalla para el ajuste de safety stocks, y otra pantalla para la gestión de alertas. Estos conceptos abstractos se convierten en cosas tangibles en la organización porque existen personas con roles y workflows construidos sobre ello.
Como mencionó nuestro invitado, una cosa interesante es que el forecast probabilístico desafía a la organización a un nivel bastante profundo. Si tenemos un proyecto de envergadura que revisa una de las funciones centrales de la empresa, como el reabastecimiento en un negocio minorista, existe la oportunidad de reconsiderar muchas suposiciones. Requiere un poco de salto de fe, ya que es un salto de la manera tradicional de abordar la gestión de la supply chain hacia una organización alternativa que es consecuencia de lo que los forecasts probabilísticos te permiten hacer en tu empresa.
Los forecasts son solo artefactos; son un instrumento para obtener algo más. Y sin embargo, en muchas empresas, especialmente aquellas con una gran supply chain, los forecasts se tratan típicamente como un objetivo en sí mismos. Existe un equipo con KPIs en precisión, y esto es parte del S&OP proceso. Quieren un forecast más preciso como objetivo para el próximo año.
Sim Taylor: El desafío es dejar de lado el forecast. Con el forecast probabilístico, se propone cambiar el enfoque de la gestión. En lugar de seguir los KPIs de precisión del forecast, proporcionando recursos, presupuesto y herramientas para mejorarlos, deberíamos centrarnos en las decisiones que tomamos basadas en estos forecasts. Esto es mucho para asimilar, y requiere un salto de fe. ¿Cómo podemos ofrecer una argumentación más profunda en lugar de simplemente decir “confía en mí, va a ser mucho mejor”?
Es difícil y muy desafiante. Veo un enorme valor potencial aquí, pero no conozco ninguna gran empresa que haya adoptado completamente el forecast probabilístico. Implementarlo paso a paso, entregando primero una herramienta más simple y rápida, y mostrando resultados, es la manera de involucrar e infundir a los ejecutivos de supply chain. Necesitas ese ejemplo, y luego medir la realidad del negocio: la disponibilidad en stock, inventory turns, la inversión en inventario y las semanas de supply antes y después de implementar el nuevo enfoque.
Muestra los beneficios financieros claros e indudables impulsados por el nuevo enfoque. ¿Realmente nos importa el forecast? Podemos hablar de eso, pero lo que importa son los resultados. Comenzar con los resultados del negocio, y empezar la conversación con resultados históricos y éxitos captará más la atención que iniciar con teoría.
Conor Doherty: Mencioné a expertos en supply chain, líderes con mucha experiencia, que tienen una gran intuición, y de la que se puede aprovechar. Todos quieren mejorar su negocio, así que casi todos tienen un ímpetu por querer dar un salto, pero simplemente necesitan cierto fundamento y algo de fe. Han visto una empresa similar y los retornos financieros que realmente demuestran el éxito. Así es como, ya sabes, una vez que tienes ese único caso de uso de dar el salto, entonces realmente tienes una plataforma y puedes empezar a implementarlo. Creo que así es como siempre comienzan las nuevas tecnologías y enfoques. Al final del día, estamos en un negocio para hacer lo mejor para el cliente y para hacer lo mejor para los accionistas financieramente. Si podemos demostrar que existe un buen caso de uso para asumir ese riesgo, probar algo diferente porque hemos visto retornos en otros lugares, esa es una propuesta emocionante. Es mucho más probable que se inicie una conversación y se ponga la pelota en movimiento. Pero estoy de acuerdo, es un gran desafío porque los procesos establecidos están bien arraigados en la forma en que estructuramos nuestros equipos en la mayoría de las grandes empresas. Como resultado, se necesitan las personas adecuadas, dispuestas a comprender realmente los desafíos y que también puedan influir para construir el caso de negocio, para demostrar que en realidad hay valor en intentar algo así.
Joannes Vermorel: Una de las objeciones que frecuentemente recibo es que cuando pasas de algo como los forecasts puntuales, que pueden representarse fácilmente en Excel, a los forecasts probabilísticos, que pueden representarse en Excel hasta cierto punto, se convierte en un proceso algo espantoso. Entonces, la conclusión es que es necesario actualizar tus herramientas de una forma u otra. Para poder tener modelos que abracen la incertidumbre, necesitas una herramienta que sea más capaz que Excel. Creas una clase de riesgo, lo que de repente hace que tu organización dependa de personas capaces de manejar esas herramientas más complejas. Debido a tu posición como jefe de data science, creo que estás a la vanguardia de introducir cosas que no son inmediatamente accesibles. En cuanto hablamos de tener 20 líneas de Python, el tipo de habilidad necesaria para encargarse de eso, en contraposición a tener solo una hoja de cálculo simple, es bastante alta. Lo que significa que para la empresa, dependes de personas que tienen mucha más habilidad en ingeniería de lo que solían tener en esos puestos de supply chain. Sé que algunas de las personas con las que hablo están preocupadas por este tipo de proposición. Se preguntan cómo abordar eso cuando quieren hacer que una supply chain del mundo real dependa de algo que no va a funcionar a través de hojas de cálculo de Excel o implementarse como un sistema basado en reglas en ERP.
Sim Taylor: Probablemente hay dos cosas a desglosar. La primera es que Excel es una herramienta con la que los category managers, compradores y practicantes de supply chain están muy familiarizados. Definitivamente hay uso de ello, pero en la mayoría de las empresas, la mayoría de las decisiones se determinan y se impulsan por un sistema que ya es en cierto modo una caja negra para aquellas personas que realmente toman las decisiones de compra. Entonces, el punto que planteas sobre pasar de Excel no supone un gran salto en algunos casos. Es una transición de un sistema que hace recomendaciones de una manera a otro sistema que hace recomendaciones de forma diferente. Creo que mientras se confíe en el funcionamiento del nuevo sistema, y se den las educaciones y discusiones adecuadas para entender por qué el sistema está haciendo algo ligeramente distinto, no es tan grande el salto para cambiar el sistema en sí.
La segunda parte es la confianza en los data scientists. Realmente creo que el supply chain y la planificación de merchandising es una de esas áreas en las que no se puede simplemente arrojar un data scientist y esperar beneficios financieros tangibles. Tal vez hay un
Conor Doherty: Joannes y Sim, quiero saber más sobre la importancia de tener tanto experiencia técnica y matemática como experiencia en supply chain cuando se trata de optimizar supply chains. ¿Cuáles son sus opiniones al respecto?
Sim Taylor: La optimización del supply chain requiere una combinación de experiencia, incluyendo la comprensión de los desafíos y complejidades del mundo del supply chain, así como habilidades matemáticas y técnicas. El candidato ideal tendría experiencia tanto en la gestión de supply chain como en data science. Deberían ser capaces de entender y trabajar con sistemas previos y tener conocimiento de desafíos comunes, como cantidades mínimas de pedido de proveedores y limitaciones de capacidad en los centros de distribución. Un data scientist recién salido de la universidad puede no tener este conocimiento, lo que puede llevar a la desconfianza al tratar de unir la tecnología con la gestión de supply chain. Lo que buscamos son personas inteligentes con tanto entendimiento del negocio como inclinación técnica, capaces de trabajar con o explicar código para automatizar decisiones de manera inteligente. Esa combinación es crucial para construir equipos de analytics exitosos.
Conor Doherty: Joannes, ¿dirías que tu enfoque para seleccionar Supply Chain Scientists en Lokad se alinea con las opiniones de Sim sobre la importancia de tener una combinación de habilidades?
Joannes Vermorel: Sí, creo que nuestras opiniones están alineadas. De hecho, veo una posible evolución en el mercado en la que, dentro de una década, los equipos de data science que actualmente operan de forma independiente podrían convertirse en parte de las divisiones de supply chain. Visualizo un futuro en el que cada división tenga un equipo de ingenieros especializados en análisis cuantitativo, proporcionando la columna vertebral de la optimización para la empresa. Trabajarían en estrecha colaboración con operaciones y alta dirección para establecer estrategias. Creo que esta evolución natural llevaría a la reincorporación de las habilidades de data science en cada departamento respectivo, como analistas de supply chain convirtiéndose en parte de la división de supply chain, y analistas de marketing uniéndose a la división de marketing. La estructura organizacional actual, donde los departamentos de data science son independientes de las divisiones a las que sirven, podría cambiar a medida que el data science se convierta en un elemento intrínseco de cada práctica en lugar de una función de apoyo.
Sim Taylor: Joannes, creo que tu perspectiva sobre el futuro del data science y analytics dentro de las organizaciones es interesante. Como jefe de analytics en Petco, creo que si seguimos viendo éxitos operativos, podría haber un cambio hacia la incorporación de divisiones de data analytics en sus departamentos respectivos dentro de una década.
Conor Doherty: ¿Ves eso como algo que se interioriza más en cada división donde se logra el éxito?
Joannes Vermorel: Qué pregunta tan interesante, realmente hablando de cómo organizas y estructuras un negocio ahora y cuáles son los beneficios de esos diferentes enfoques. En mi opinión personal, no disiento de ti. Creo que el título y la organización en la que estás es algo irrelevante.
Sim Taylor: Lo que me emociona cuando voy a trabajar cada día es intentar encontrar oportunidades para entregar valor, un valor tangible que podamos medir. Me enfoco muy específicamente en la supply chain, como mencioné, por ejemplo en la planificación de merchandising. Mi jefe dirige la organización más amplia de data analytics en muchas áreas diferentes y de alguna manera las integra. Pero como dije, creo que específicamente para la supply chain, he visto esto en el pasado: tienes personas realmente inteligentes que no tienen experiencia en supply chain pero que son muy técnicas, y eso no necesariamente se traduce en entregar ese valor significativo en el negocio. Es la combinación del conjunto de habilidades empresariales y el entendimiento real de esa industria con la capacidad de ejecutar técnicamente lo que creo que impulsa resultados financieros positivos y significativos.
Así que, ya sea que te llames data scientist o te llames practicante de supply chain, de alguna manera, creo que es la pregunta equivocada o una pregunta irrelevante. En lo personal, me emociona resolver problemas de supply chain, y por lo tanto, ya sea que llames a las personas en un equipo Supply Chain Scientists o planificadores de demanda, lo que importa es el trabajo que haces.
Definitivamente estoy de acuerdo en que necesitas estar muy conectado con el negocio; de lo contrario, hay tantos matices en el mundo del supply chain y la planificación de merchandising que si no tienes una comprensión de ello, simplemente estás jugando con números, y es difícil entregar resultados significativos.
El otro lado es que creo que hay mucho valor que puede surgir de agrupar a expertos en analytics y practicantes de diferentes áreas. El beneficio de tener una única organización de data science es que puedes construir esas conexiones y relaciones entre personas inteligentes y de ideas afines, y pueden aprender unos de otros y realmente aprovechar algo de tu expertise técnico de diferentes áreas. Hay mucho beneficio en eso y en cómo interactúan los equipos entre marketing analytics, supply chain, atención al cliente, pricing, por ejemplo. Hay mucha conexión que puede ser valiosa y unir todo eso.
Creo que realmente depende de la empresa y de lo que considere la mejor estrategia en general. Pero, puramente desde la perspectiva de la supply chain, creo que lo que importa son los resultados, y pienso que es muy difícil obtener esa confianza de la que hablamos, la cual es tan importante al intentar algo nuevo y aparentemente complejo, si no puedes destilarlo y explicarlo en términos de cómo va a impulsar el valor del negocio con una comprensión de cómo funciona la supply chain.
Joannes Vermorel: Creo que tocaste un punto que es muy interesante, y estoy retrocediendo un poco en comparación con tus comentarios sobre la centralización. Volviendo al forecast probabilístico, es una innovación bastante técnica, pero lo sorprendente es que toca tanto al negocio. La razón por la que te interesa, y lo has mencionado varias veces, son los valores que puedes crear.
Lo interesante desde mi perspectiva, y eso es algo que también es muy difícil de transmitir, es que es algo por naturaleza increíblemente diferente de, digamos, deep learning o IA. Esto es fundamentalmente una innovación que interesa por lo que puedes hacer con ella de una manera muy práctica en supply chain. La cantidad de ingredientes tecnológicos, hay algunos ingredientes tecnológicos en hacer forecast probabilístico, pero juega un
Conor Doherty: Los forecasts mejores pueden conducir a una supply chain mejorada. Las empresas que se destacan en el enfoque clásico pueden tener una mejor optimización de pedidos y reabastecimiento. Sin embargo, es importante notar que la lógica de reabastecimiento y cómo extrapolamos los forecasts en las decisiones de la supply chain es igualmente importante.
Sim Taylor: A menudo sorprende saber que, en algunos casos, un promedio móvil ingenuo podría proporcionar resultados similares a un forecast puntual pobre. Intento centrar la conversación más en tomar decisiones basadas en lo que impulsará el mejor resultado, y cómo evaluamos la variabilidad de la demanda y la variabilidad del tiempo de entrega. Necesitamos demostrar el éxito financiero de este enfoque de una manera simple y tangible para las empresas.
Conor Doherty: Sim y Joannes, ¿tienen ejemplos de empresas o clientes donde puedan mostrar verdaderamente la mejora financiera después de implementar este enfoque?
Sim Taylor: No tengo un ejemplo específico desde la perspectiva del forecast probabilístico, pero desde una perspectiva de quantile, he visto éxito. Implementamos este enfoque con empresas, centrándonos en métricas clave del negocio como la disponibilidad en stock y las semanas de supply. Pudimos lograr una mayor disponibilidad en stock manteniendo los niveles de inventario iguales o incluso reduciéndolos. Este enfoque ayudó a generar confianza y demostró que aplicar estos conceptos de manera inteligente puede impulsar el valor del negocio.
Conor Doherty: ¿Tienen alguna anécdota de historias de éxito donde hayan aplicado un enfoque de forecast probabilístico y demostrado el valor del que hablan?
Sim Taylor: No específicamente desde una perspectiva de forecast probabilístico, sino desde una perspectiva de cuantiles, lo hago. Trabajando con un gran minorista canadiense, implementamos un enfoque de safety stock basado en point forecast, lo que llevó a cierta mejora en la disponibilidad en stock sin aumentar el inventario. Cuando nos movimos hacia el forecast de cuantiles, vimos un crecimiento significativo en lograr una mayor disponibilidad en stock manteniendo los niveles de inventario iguales o incluso reduciéndolos. Esto mostró las tendencias claras y las diferencias en los factores de desempeño del negocio, generando confianza en este enfoque. Soy un entusiasta que quiere dar el siguiente salto y usar el enfoque de forecast probabilístico para mejorar aún más estos resultados.
Conor Doherty: El forecast de cuantiles no resuelve del todo, bueno, gracias, Sim, en ese punto. Para pasártelo a ti, Joannes, ¿alguna anécdota como la de Sim?
Joannes Vermorel: Sí, quiero decir, es un detalle, pero creo que si comparo lo que Lokad estaba haciendo hace una década y media cuando comenzó, y ahora lo que está haciendo con enfoques habilitados por forecast probabilístico para supply chain, la cantidad de casos límite es muy interesante. Cuando comenzamos, casi cada vez que intentábamos abordar un problema de supply chain, parecía un bosque de casos límite. Con casos límite, me refiero a algo en lo que la lógica habitual fallaba tan estrepitosamente que era necesario intervenir y corregir manualmente la situación porque el resultado era absurdo. Esa es la razón por la que proveedores como Lokad típicamente tienen alertas y excepciones para gestionar todas esas situaciones que son tan francamente absurdas. Incluso puedes tener una regla para detectarlo y decir: “Está bien, alguien necesita intervenir porque el sistema está produciendo un resultado que tiene tan poco sentido.”
Y pasamos de tener montones de ellos a tener muy pocos. Así que es interesante porque, para mí, eso ha significado la eliminación de los casos límite, ese tipo de situaciones que necesitan atención específica, reglas específicas. Al final, creo que esta eliminación demuestra que todo eso fue solo la consecuencia de tener un método que, en su núcleo, ignoraba la incertidumbre. Así, siempre que aparecía la incertidumbre o el riesgo, y, por cierto, cuando tenemos restricciones, por ejemplo con un emoji y lo que sea que signifique tomar una decisión consciente del riesgo, en su mayoría, los simplificamos.
Aunque es un elemento muy anecdótico, la eliminación de los casos límite, he descubierto que fue el indicador más fiable de la madurez y calidad de tu tecnología. Se trata de si puedes operar con una cantidad muy limitada de casos límite y situaciones marginales que requieren intervención humana y microgestión de la solución de software. Por el contrario, si tienes que microgestionar tu solución de software que opera tu supply chain, lo más probable es que signifique que, a nivel fundamental, hay algo que no estás haciendo bien. Tienes una incompatibilidad en la forma en que abordas el problema y en la forma en que funciona tu software, y así terminas teniendo esta microgestión como una forma de parchear tu supply chain.
Para mí, la pregunta será, ¿podemos pasar de point forecasts a forecast de cuantiles a forecast probabilísticos? Así que la pregunta abierta será, ¿qué sigue? Estoy bastante seguro de que habrá una siguiente etapa de tecnología en esta área, pero por ahora, la batalla sigue siendo lograr que la mayoría de las empresas se hagan a la idea de simplemente aceptar la incertidumbre.
Sim Taylor: Y Joannes, solo para agregar, ya sabes, mencionas la reducción de trabajo como un beneficio importante que has observado. Creo que, por otro lado, si hablamos de algunos de esos casos límite de nicho, que en realidad no son tan extremos y que simplemente surgen todo el tiempo en supply chain, como dijimos, es un mundo lleno de restricciones. O se requiere más trabajo, o lo que he visto en negocios anteriores, mucho más a menudo, se toma la decisión equivocada. Tal vez no sea trabajo extra, sino que simplemente tomamos una
Conor Doherty: La toma de decisiones simplificada a menudo conduce a resultados subóptimos. El objetivo es utilizar información adicional para fundamentar una decisión más óptima que requiera menos esfuerzo.
Sim Taylor: Correcto. Por ejemplo, solo tenemos suficientes necesidades de compra para ordenar 50 camiones de un proveedor, pero nuestro contrato estipula que debemos ordenar camiones completos o cumplir con una cantidad mínima de pedido. ¿Es financieramente mejor ordenar ahora y comprar producto adicional que no necesitamos, provocando que el inventario excedente ocupe capacidad, o no ordenar en absoluto y arriesgarnos a un faltante de stock en ciertos productos? Idealmente, tendríamos una decisión basada en ROI sobre si deberíamos ordenar ahora o más tarde, lo que haría que las decisiones en casos límite fueran más efectivas.
Conor Doherty: Caballeros, no tengo ninguna otra pregunta. Sim, como cliente, te daré la última palabra. ¿Hay algo que te gustaría agregar o alguna pregunta de seguimiento que quisieras plantear a los supply chain directors que aún no han adoptado el forecast probabilístico?
Sim Taylor: Mi llamado a la acción para la comunidad de supply chain es evaluar estos conceptos, adoptarlos y dar el salto para probar e iterar, entendiendo el valor que podemos obtener al ir más allá del enfoque clásico. ¿Estamos simplemente reemplazando un sistema por otro que hace algo similar? Me encantaría ver más conversaciones y casos de uso reales donde empecemos a pensar en este enfoque e integrarlo en los negocios para lograr éxito. A medida que compartamos ejemplos del valor, ayudará a acelerar la conversación y a movernos colectivamente hacia un escenario de pedido y reposición más óptimo.
Conor Doherty: Gracias por eso, Sim. No puedo acaparar todo el crédito. Joannes ayuda mucho.
Joannes Vermorel: Gracias, Conor. Lo aprecio.
Conor Doherty: Con eso, caballeros, daremos por concluido el tema. Joannes, muchas gracias por tu tiempo. Sim, muchas gracias por el tuyo. Nos vemos la próxima vez.
