00:00:00 Introducción y antecedentes de Sim en ciencia de datos y análisis de la cadena de suministro.
00:02:00 Descripción general de los pronósticos y las series temporales como enfoque común en la gestión de la cadena de suministro.
00:06:26 Introducción a los pronósticos probabilísticos y su diferencia con los pronósticos puntuales.
00:08:10 Experiencia de Sim con los pronósticos probabilísticos y cómo abordar desafíos empresariales del mundo real.
00:09:15 Discusión sobre las limitaciones de los pronósticos puntuales y los beneficios de los pronósticos probabilísticos en la gestión de riesgos.
00:11:39 Discusión sobre la regresión cuantil y su relevancia para la gestión de inventarios.
00:14:20 Transición a los pronósticos probabilísticos y sus ventajas.
00:16:37 Comparación de los pronósticos probabilísticos con los métodos tradicionales y sus limitaciones.
00:17:37 El desarrollo de los pronósticos probabilísticos en diferentes industrias.
00:19:00 Cómo los pronósticos probabilísticos simplifican la gestión de inventarios en comparación con el enfoque clásico.
00:23:07 Discusión sobre el enfoque de pronóstico de cuantiles y sus desafíos.
00:24:26 Entorno restringido en empresas y cadenas de suministro.
00:25:58 Introducción a los pronósticos probabilísticos para una mejor toma de decisiones.
00:27:56 Abordar los desafíos de la cadena de suministro con pronósticos probabilísticos.
00:30:41 Implementación de pronósticos probabilísticos en empresas grandes y establecidas.
00:34:10 Importancia de la reorganización organizativa al adoptar un nuevo sistema.
00:36:02 Enfoque tradicional para la resolución de conflictos entre múltiples restricciones.
00:38:31 Desafíos de abandonar los métodos de pronóstico tradicionales.
00:41:00 Cómo reasignar y reestructurar los recursos.
00:42:33 El valor potencial de adoptar pronósticos probabilísticos.
00:45:30 Animar a las empresas a dar un salto con nuevas tecnologías.
00:46:55 Transición de Excel a herramientas más avanzadas en la gestión de la cadena de suministro.
00:48:30 Dependencia de ingenieros capacitados para herramientas avanzadas de cadena de suministro.
00:50:06 Confiar en las recomendaciones de los nuevos sistemas.
00:53:00 Importancia del conocimiento combinado de la cadena de suministro y la ciencia de datos.
00:56:49 Creación de una entidad de ciencia de datos interdepartamental.
00:59:42 Discusión sobre 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 ciencia de datos.
01:04:01 La importancia de comprender la cadena de suministro al implementar nuevas tecnologías.
01:05:38 Comparación de los pronósticos probabilísticos con tecnologías más complejas como el deep learning.
01:08:16 Importancia de la lógica de reabastecimiento y su relación con los pronósticos.
01:10:34 Los desafíos de convencer a los líderes de la cadena de suministro para que adopten un nuevo enfoque.
01:12:05 La experiencia de Sim con el pronóstico probabilístico y sus beneficios.
01:15:01 Anécdota de la aplicación del pronóstico de cuantiles en un gran minorista canadiense.
01:19:35 Discusión sobre decisiones subóptimas en los negocios y una mejor toma de decisiones.
01:21:14 La importancia de las decisiones basadas en el retorno de la inversión para casos excepcionales.
01:22:18 Llamado a la acción: adoptar nuevos conceptos y enfoques en la gestión de la cadena de suministro.
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 Analítica y Supply Chain Scientist en Petco, discuten la importancia del pronóstico probabilístico en la optimización de la cadena de suministro. 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 pronóstico probabilístico en organizaciones grandes, animan a los directores de la cadena de suministro a adoptar nuevos conceptos y superar los enfoques tradicionales. También enfatizan la importancia de confiar en los científicos de datos y la necesidad de profesionales que comprendan tanto los desafíos de la cadena de suministro como los aspectos técnicos.
Resumen Extendido
En esta entrevista, el presentador Conor Doherty habla con Joannes Vermorel, fundador de Lokad, y Sim Taylor, Director de Analítica y Ciencia de Datos en Petco. Discuten la importancia del pronóstico probabilístico en la optimización de la cadena de suministro.
Sim Taylor comparte su experiencia en ciencia de datos y analítica, trabajando principalmente en analítica de mercancías y cadena de suministro. Explica que su trabajo tiene como objetivo utilizar datos y estadísticas para guiar mejor los productos a sus ubicaciones previstas en la cadena de suministro y maximizar los resultados financieros.
Cuando se le pregunta sobre el pronóstico, 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, agregando que el pronóstico de series de tiempo es un pilar fundamental de la teoría clásica de la cadena de suministro, pero enfatiza que es solo uno de los muchos enfoques para pensar en el futuro.
La discusión se traslada al pronóstico probabilístico, que consiste en asignar probabilidades o posibilidades a múltiples escenarios posibles. Taylor comparte su experiencia utilizando regresión cuantil en el pronóstico, que tiene como objetivo predecir eventos extremos y ayudar a prevenir faltantes de stock. Este método implica resolver directamente un nivel de servicio específico, lo que permite a las empresas establecer niveles de inventario sin depender de cálculos potencialmente incorrectos de existencias de seguridad.
Taylor explica que el enfoque clásico de gestión de inventario implica predecir el resultado más probable (pronóstico) y tener en cuenta la variabilidad agregando existencias de seguridad. El pronóstico probabilístico, por otro lado, estima directamente el inventario total necesario para cubrir el riesgo de faltantes de stock. Taylor también habla sobre los desafíos de determinar el cuantil extremo correcto de la demanda y equilibrar las necesidades del cliente con los aspectos financieros y los costos de inventario.
Los entrevistados discuten las ventajas del pronóstico probabilístico en entornos limitados, como presupuestos limitados o cantidades mínimas de pedido. Taylor señala que el pronóstico probabilístico puede ayudar a las empresas a tomar decisiones claras entre necesidades competitivas al comprender la probabilidad de vender cada unidad adicional y el valor financiero que proporcionaría.
La discusión destaca los desafíos que enfrentan las organizaciones al intentar implementar el pronóstico probabilístico, especialmente cuando se trata de alterar procesos establecidos y divisiones de trabajo. Sim Taylor comparte su experiencia en la implementación del enfoque de pronóstico cuántico, que requiere una comprensión integral y una propiedad de la ejecución de la cadena de suministro. El pronóstico sirve como un medio para lograr un fin, centrándose en mejorar la satisfacción del cliente, las ventas y minimizar los costos.
Sim Taylor enfatiza la importancia de automatizar el trabajo matemático pesado en el pronóstico y las cantidades de pedido, al tiempo que reconoce el valor de la intuición humana y la experiencia de los gerentes experimentados de la cadena de suministro. 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 abandonar los pronósticos tradicionales y sus KPI asociados, ya que el pronóstico probabilístico desplaza el enfoque de la precisión de los pronósticos hacia las decisiones operativas que permiten. Le pregunta a Sim Taylor su perspectiva sobre cómo las empresas pueden reasignar y reestructurar sus recursos para adaptarse a este cambio.
Sim Taylor reconoce la dificultad de implementar el pronóstico probabilístico en organizaciones grandes y aversas al riesgo. Sugiere que el éxito se puede lograr paso a paso, primero entregando herramientas más simples y rápidas, 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 comerciales. En general, la conversación enfatiza los beneficios potenciales de adoptar el pronóstico probabilístico, al tiempo que reconoce los desafíos que presenta para las organizaciones establecidas.
La conversación aborda la necesidad de demostrar éxito para fomentar la adopción de nuevas tecnologías y enfoques. Vermorel plantea preocupaciones sobre 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 la cadena de suministro, pero destaca que muchas decisiones son impulsadas por un sistema que a menudo es una “caja negra” para quienes lo usan.
Tanto Taylor como Vermorel enfatizan la importancia de confiar en los científicos de datos y la necesidad de profesionales que comprendan los desafíos de la cadena de suministro y puedan trabajar con código para automatizar decisiones de manera inteligente. Taylor sugiere encontrar personas con una combinación de comprensión de la cadena de suministro y inclinación técnica. Vermorel agrega que en el futuro, visualiza la integración de la ciencia de datos 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 la cadena de suministro, independientemente de su título o rol. Él cree que combinar experiencia técnica con conocimiento empresarial es crucial para lograr resultados financieros positivos. La conversación también aborda el valor de la colaboración entre expertos en análisis de diferentes áreas y la importancia de estar vinculado al negocio para obtener resultados significativos.
Joannes Vermorel destaca los beneficios prácticos del pronóstico probabilístico en la gestión de la cadena de suministro, en contraposición a innovaciones más técnicas como deep learning. El pronóstico probabilístico se centra en crear valor abordando el problema de la incertidumbre de una manera radicalmente diferente.
Sim Taylor también habla sobre la importancia de la lógica de reabastecimiento y cómo es crucial para tomar decisiones en la gestión de la cadena de suministro. Él cree que centrarse en el valor de la cadena de suministro es esencial, y la conversación debería centrarse en cómo las decisiones impulsan el mejor resultado.
Tanto Taylor como Vermorel están de acuerdo en que compartir casos de uso e historias de éxito es importante para generar confianza con las empresas y demostrar el valor del pronóstico probabilístico. Taylor comparte un ejemplo de trabajo con un gran minorista canadiense, donde la aplicación de un enfoque de pronóstico de cuantiles condujo a mejoras en la disponibilidad de stock y la gestión de inventario.
Taylor enfatiza que la cadena de suministro es un mundo lleno de restricciones y que los casos límite pueden llevar a resultados subóptimos. El objetivo es utilizar información adicional para tomar decisiones más óptimas que requieran menos esfuerzo. Un ejemplo que proporciona es decidir si pedir 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 los posibles márgenes y costos de mantenimiento permite tomar mejores decisiones en tales casos.
Tanto Vermorel como Taylor animan a los directores de cadena de suministro a evaluar y adoptar nuevos conceptos, como el pronóstico 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 anfitrión, Conor, y como siempre, me acompaña el fundador de Lokad, Joannes Vermorel. Hoy, estamos hablando con Sim Taylor. Ahora, él es el Director de Análisis y Ciencia de Datos en Petco, una empresa bastante grande, y nos hablará sobre los méritos del pronóstico probabilístico. Tim, bienvenido a Lokad.
Sim Taylor: Hola, muchas gracias por recibirme, Conor y Joannes. Un poco de información sobre mí: gestiono equipos de ciencia de datos y análisis, especializados en análisis de mercancías y cadena de suministro. La mayor parte de mi carrera ha sido desde una perspectiva de consultoría. Trabajé con Deloitte durante muchos años en sus equipos de cadena de suministro en el Reino Unido y Canadá, y realmente en la segunda mitad de eso, me enfoqué en construir modelos para ayudar a las empresas a optimizar su inventario. Básicamente, el trabajo que hago se reduce a cómo podemos utilizar datos y estadísticas para guiar mejor los productos a diferentes ubicaciones en la cadena de suministro, centros de cumplimiento, tiendas, clientes, en las cantidades correctas y en el momento adecuado para satisfacer a los clientes y maximizar los resultados financieros. He trabajado con una variedad de empresas, principalmente grandes almacenes y minoristas de productos generales, típicamente con una gran cantidad de productos, una gran variedad y un gran portafolio de existencias con algo de moda y minoristas especializados mezclados. Hace un par de años, hice la transición del mundo de la consultoría a la industria, y actualmente trabajo en Petco, un gran minorista de mascotas estadounidense con sede en California y presencia en Estados Unidos y México.
Conor Doherty: Gracias. Cuando le explicas a las personas en términos generales qué es el pronóstico, ¿cómo se lo explicas a audiencias no especializadas?
Sim Taylor: Claro, el pronóstico, como base, es un proceso relativamente comprensible. Básicamente, se trata de hacer una inferencia o predicción sobre un resultado futuro. En la cadena de suministro y el comercio minorista, hablamos mucho sobre el pronóstico de la demanda, la demanda del cliente. Entonces, para este producto en esta tienda, ¿qué quieren mis clientes dentro de una semana, o dos semanas, o 52 semanas? Realmente se trata de utilizar información histórica y cosas que sabemos sobre el futuro, como los precios de los productos y otros puntos de datos clave, para comprender cuál es un resultado probable que podríamos esperar ver y cómo podemos planificar nuestro pedido y obtener el producto en el lugar correcto en torno a eso. Es realmente el fundamento de la teoría clásica de la cadena de suministro, ese pronóstico. Joannes, ¿estás de acuerdo con esa definición?
Joannes Vermorel: Sí, estoy muy de acuerdo con la idea de que el pronóstico de series temporales es el fundamento de la teoría clásica de la cadena de suministro. Pero también me gustaría señalar que en realidad es un enfoque muy específico de la forma en que se puede abordar el futuro. Este enfoque ha estado tan establecido y ha sido tan predominante durante tanto tiempo que la industria en su conjunto ha olvidado en gran medida que es solo uno de los muchos enfoques que existen para pensar en el futuro. Porque pensar en el futuro y anticiparlo es algo esquivo. Pensar en ello a través del prisma del pronóstico de series temporales te brinda algunas capacidades, como muchos modelos que encajarían en este paradigma, pero también restringe lo que puedes hacer. Y creo que una de las cosas interesantes en esta industria es que debido al hecho de que los pronósticos de series temporales han estado presentes
Conor Doherty: Creo que podría ser útil hablar sobre cómo me encontré con el pronóstico probabilístico. Vengo de un entorno empresarial en lugar de académico, así que en realidad me encontré con el pronóstico probabilístico cuando trabajaba con un minorista tratando de resolver algunos de los desafíos empresariales del mundo real en cuanto a pedidos y reabastecimiento.
Sim Taylor: Para ese cliente, estábamos construyendo herramientas de reabastecimiento basadas en el pronóstico puntual estándar, que sigue siendo la línea de base en la mayoría de las empresas. Básicamente, pensamos que este producto se venderá cinco unidades mañana, seis unidades al día siguiente, etc. Debido a que hay tanta posibilidad de que ese número no sea correcto, luego aplicamos el enfoque o ecuación clásica de stock de seguridad, básicamente diciendo que nuestra única predicción del resultado de demanda más probable estará equivocada muchas veces.
El enfoque estándar de stock de seguridad hace una suposición brusca de que la variabilidad de la demanda y los tiempos de entrega del proveedor están distribuidos simétricamente alrededor de nuestra predicción de pronóstico más probable. Esta suposición de normalidad desde una perspectiva estadística simplemente se acepta como la línea de base sin cuestionar en muchas empresas.
Mientras estábamos haciendo este trabajo, mi equipo y yo estábamos observando la realidad actual de las ventas en la ventana de tiempo de entrega relevante. Nos encontramos con 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 tiempos de entrega no suelen tener una distribución normal. La demanda tiende a estar altamente consolidada alrededor de un valor bajo para la mayoría de los productos, y luego hay esta larga cola de posibles valores 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 el tiempo de entrega. De lo contrario, correríamos el riesgo de quedarnos sin stock en algunas situaciones porque no hemos modelado correctamente los resultados potenciales.
Conor Doherty: Entonces, ¿cómo empezaste a considerar alternativas al pronóstico puntual?
Sim Taylor: Primero terminamos utilizando la regresión de cuantiles en nuestros pronósticos, que se centra en la idea de que, en el inventario, realmente no nos importa el resultado más probable, que es lo que obtenemos de un pronóstico estándar. Lo que nos importa son esos eventos extremos y asegurarnos de tener suficiente inventario para evitar faltantes de stock cuando ocurren. Eso es lo que hacen los niveles de servicio en el enfoque estándar de stock de seguridad.
Construimos pronósticos utilizando la regresión de cuantiles que intentaban resolver directamente un nivel de servicio específico. Por ejemplo, si enumeramos todas las posibles ocurrencias de demanda en el tiempo de entrega, ¿cuál es el cuantil 95, la situación muy improbable de esa demanda en ese tiempo de entrega? Eso es a lo que estableces tu nivel de inventario. No tienes que preocuparte por llamarlo stock de seguridad o si tus cálculos de stock de seguridad son inherentemente incorrectos debido a suposiciones incorrectas.
Así es como comenzamos a explorar diferentes pronósticos de demanda que no solo se basan en el resultado promedio. Luego, la pregunta evolucionó hacia qué niveles de servicio deberíamos establecer para determinar qué cuantil de demanda o tiempo de entrega predecir, y cómo combinamos esos pronósticos de cuantiles para la demanda y los tiempos de entrega. Fue entonces cuando me encontré con Lokad y su enfoque único y diferenciado donde pronostican todos los resultados posibles de demanda en el tiempo de entrega y asignan una probabilidad a cada uno, lo que captura mucha más información que simplemente entender los cuantiles.
Joannes Vermorel: Tu viaje es increíblemente similar al mío, porque fue en Lokad donde tuve mis problemas personales con estas suposiciones. El término “stock de seguridad” suena seguro, pero la realidad es que las suposiciones matemáticas que se hacen son bastante insanas y ciertamente muy inseguras. Terminas con cosas como tiempos de entrega negativos, lo cual es increíblemente extraño. Eso es lo que obtienes con una distribución normal para los tiempos de entrega. Y la idea
Conor Doherty: Me di cuenta de que había una discrepancia entre lo que realmente interesaba a las personas y lo que decían. Los directores de la cadena de suministro querían un mejor pronóstico, pero lo que realmente querían era una mejor decisión de la cadena de suministro. 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 falta de stock o exceso de stock, y esas son las situaciones que realmente quieres analizar desde una perspectiva estadística. Descubrí que las personas en finanzas y pronóstico del clima han estado haciendo pronósticos probabilísticos desde principios de los años 90. En 2011-2012, comenzamos a hacer eso para la cadena de suministro con bastante retraso en comparación con otros pioneros en otros sectores.
Sim Taylor: El enfoque clásico todavía intenta tener en cuenta el riesgo, pero simplemente llamamos a nuestro inventario de diferentes maneras. En realidad, lo que importa es el resultado para el negocio. En nuestro enfoque estándar, intentamos ser muy buenos en predecir el resultado más probable, pero reconocemos que es una forma extraña de ver las cosas porque realmente nos importa cubrir el riesgo de eventualidades más extremas, y tenemos ese stock de seguridad. El pronóstico de cuantiles establece directamente ambos, mirando el ejemplo extremo de la demanda y calculando el inventario que deberíamos tener en nuestra ubicación.
Joannes Vermorel: Cuando tienes una gama completa de posibilidades de probabilidad, ¿cómo se transforma y se utiliza realmente en la realidad empresarial? Esas decisiones de pedido son las que nos importan, asegurándonos de que sean lo más óptimas posible. Es posible que ya no necesitemos el término “stock de seguridad”, pero me intriga cómo traduces eso en una ejecución del mundo real.
Sim Taylor: La primera motivación para considerar pronósticos alternativos fue ver la realidad de que las ocurrencias de la demanda no siguen el tipo de distribución que se modela en el enfoque clásico de stock de seguridad. Esa fue la principal motivación para considerar otros enfoques y evaluar nuestra capacidad de tener un modelo alternativo que se ajuste mejor a los datos.
Conor Doherty: Entonces, para replicar o tener en cuenta mejor la variabilidad, como suele ocurrir en la demanda y los tiempos de entrega, comenzaste con un enfoque de pronóstico de cuantiles. Pero hubo desafíos, como determinar el cuantil extremo correcto de la demanda para equilibrar las necesidades de los clientes y las finanzas frente al costo de mantener el inventario. Y en entornos limitados, que son comunes en los negocios y las cadenas de suministro, necesitabas una forma de decidir entre diferentes productos y unidades para comprar. ¿Puedes hablar más sobre cómo descubriste el pronóstico probabilístico como solución a estos desafíos?
Sim Taylor: Sí, lo que me interesó del pronóstico 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 próxima unidad que voy a comprar. Si sé eso y el valor que obtengo al vender ese producto, el margen bruto, así como los costos de mantener ese producto y quedarme sin stock, puedo tomar una decisión clara sobre qué unidad proporciona más valor a mi negocio. Al hacer eso, se resuelven muchos desafíos con los que mi equipo y otros han estado lidiando durante mucho tiempo. Siempre estamos en un entorno limitado, y comprender la probabilidad de que se venda cada próxima unidad y su valor financiero es una forma elegante de abordar esos desafíos.
Joannes Vermorel: Eso es muy interesante. Mi mayor desafío cuando intento implementar el pronóstico probabilístico en grandes empresas establecidas como Petco es la división histórica del trabajo entre el pronóstico y la toma de decisiones. Las grandes organizaciones suelen dividir el trabajo entre las personas encargadas del pronóstico y las que toman decisiones como el reabastecimiento, las órdenes de producción y las órdenes de movimiento de stock. Pero el pronóstico probabilístico es una herramienta que permite un proceso de toma de decisiones más eficiente. La toma de decisiones en sí no es exactamente el pronóstico, pero fundamentalmente, la toma de decisiones de reabastecimiento y la realización del pronóstico están mucho más entrelazadas que en el antiguo mundo donde había un equipo separado que realizaba el análisis de stock de seguridad y tomaba las decisiones.
Conor Doherty: El reabastecimiento es, diría yo, una teoría clásica de la cadena de suministro que proporciona una división muy clara del trabajo entre las personas encargadas de hacer el pronóstico/planificación y las demás personas encargadas de tomar decisiones operativas, como órdenes de producción, órdenes de reabastecimiento, órdenes de movimiento de stock, etc. ¿Cómo abordas eso? Has trabajado en empresas muy grandes y establecidas que obviamente tenían una práctica de cadena de suministro que en gran medida precede a estos conocimientos probabilísticos. ¿Cómo te acercaste realmente a la organización con este tipo de método que, creo, no respeta los límites históricos de la división del trabajo que existía para respaldar la práctica de la cadena de suministro?
Sim Taylor: Creo que en situaciones en las que hemos obtenido valor, por ejemplo, del enfoque de pronóstico cuántico, realmente ayuda tener propiedad en toda la ejecución de la cadena de suministro. Si nuestro objetivo final, que siempre lo es, es mejorar la satisfacción del cliente, las ventas y minimizar nuestros costos al hacerlo, el pronóstico en sí mismo es solo un medio para un fin. Nos importan los resultados: cuánto debo pedir, a qué ubicación y en qué momento, tanto en los centros de distribución como en las tiendas. Donde he tenido éxito antes es cuando se nos dio el mandato de construir ese pronóstico y traducirlo directamente a las cantidades de pedido.
Pronosticamos, generamos las cantidades de pedido, ya sea de proveedores a centros de distribución o reabastecimiento de centros de distribución a tiendas. El papel es principalmente un proceso de aprobación y evaluación. En un mundo ideal, quieres automatizar la mayor parte del trabajo matemático y obtener resultados correctos en la mayoría de los escenarios. Luego, combinar esa visión impulsada por datos con la experiencia de los equipos comerciales es una forma de comprender y evaluar los extremos o varios ejemplos y hacer ajustes allí.
Cuando una empresa busca reemplazar o transformar la forma en que realiza su reabastecimiento de pedidos, es un proyecto considerable que requiere mucho trabajo, muchos meses para implementarlo y la participación de muchas personas. Es una oportunidad para reiniciar y actualizar cómo funciona tu negocio. Muchas empresas aprovechan esa oportunidad para rediseñar su organización, lo que generalmente implica la gestión del cambio y el rediseño organizacional. Si puedes rediseñar tu organización y enmarcarla en torno a un sistema mucho mejor, ahí es donde radica el verdadero éxito al reducir los costos de pedido y mejorar los niveles de stock para los clientes.
Conor Doherty: Solo tengo una pregunta muy específica que quiero hacerte, Joannes. Hablamos sobre el enfoque tradicional para resolver los conflictos entre múltiples restricciones cuando hablamos de equipos comerciales. ¿Cuál es la forma normal en que un equipo comercial no probabilístico resolvería eso, o un proceso de optimización no probabilístico? ¿Cómo se hace eso en el día a día?
Joannes Vermorel: Si tomamos un ejemplo de venta al por menor, tendrías un equipo que hace pronósticos. Establecerían la línea de base, gestionarían perfiles de estacionalidad y tal vez establecerían cosas como clases ABC con el nivel de enfoque y demás. Entonces tendrías un equipo muy relacionado con el establecimiento de proyecciones en el futuro que son series temporales. Luego terminas con otro equipo o una serie de otros equipos que son responsables de las decisiones operativas, como el reabastecimiento o decidir si un producto es elegible o no en una tienda. La organización principal está totalmente justificada y está muy establecida y refinada en el sentido de que la mayoría de las herramientas de software que existen en el mercado te brindan interfaces de usuario y procesos.
Joannes Vermorel: Cuando tienes flujos de trabajo adaptados para esta mentalidad, aunque sea en parte arbitrario, una vez que tienes toneladas de herramientas que verifican las posiciones, tienes una pantalla dedicada a la revisión de los pronósticos de series temporales, otra pantalla para el ajuste de los stocks de seguridad y otra pantalla para la gestión de alertas. Estos conceptos abstractos se convierten en cosas tangibles en la organización porque hay personas con roles y flujos de trabajo construidos sobre eso.
Como mencionó nuestro invitado, algo interesante es que el pronóstico probabilístico desafía a la organización a un nivel bastante profundo. Si tenemos un proyecto considerable que revisa una de las funciones principales de la empresa, como el reabastecimiento en un negocio minorista, hay una oportunidad para revisar muchas suposiciones. Requiere un salto de fe, ya que es un salto desde la forma tradicional de abordar la gestión de la cadena de suministro hasta una organización alternativa que es una consecuencia de lo que los pronósticos probabilísticos te permiten hacer en tu empresa.
Los pronósticos son solo artefactos; son un instrumento para obtener algo más. Y sin embargo, en muchas empresas, especialmente aquellas con una gran cadena de suministro, los pronósticos suelen tratarse como un objetivo en sí mismos. Hay un equipo con KPI de precisión, y esto es parte del proceso de S&OP. Quieren un pronóstico más preciso como objetivo para el próximo año.
Sim Taylor: El desafío es dejar de lado el pronóstico. Con el pronóstico probabilístico, estás proponiendo cambiar el enfoque de la gestión. En lugar de seguir los KPI de precisión del pronóstico, proporcionar recursos, presupuesto y herramientas para mejorarlos, deberíamos centrarnos en las decisiones que tomamos basadas en estos pronósticos. Esto es mucho para asimilar y requiere un salto de fe. ¿Cómo podemos dar una argumentación más profunda en lugar de simplemente decir “confía en mí, va a ser mucho mejor”?
Es difícil y muy desafiante. Veo el enorme valor potencial aquí, pero no conozco ninguna empresa grande que haya adoptado por completo el pronóstico probabilístico. Implementarlo paso a paso, entregar primero una herramienta más simple y rápida y mostrar resultados es la forma de involucrar e infundir a los ejecutivos de la cadena de suministro. Necesitas ese ejemplo, y luego medir la realidad del negocio: la disponibilidad de stock, las rotaciones de inventario, la inversión en inventario y las semanas de suministro antes y después de implementar el nuevo enfoque.
Mostrar los beneficios financieros claros e indiscutibles impulsados por el nuevo enfoque. ¿Realmente nos importa el pronóstico? Podemos hablar de eso, pero lo que importa son los resultados. Comenzar con los resultados comerciales y comenzar la conversación con resultados históricos y éxito despertará más atención que comenzar con teoría.
Conor Doherty: Mencioné a expertos en cadena de suministro, líderes con mucha experiencia, que tienen esta gran intuición, y puedes aprovechar eso. Todos quieren mejorar su negocio, por lo que casi todos tienen un impulso para querer dar un salto, pero solo necesitan un poco de fundamentos y fe. Han visto una empresa similar y los retornos financieros que realmente demuestran el éxito. Así es como, ya sabes, una vez que has tenido ese caso de uso de dar el salto, entonces realmente tienes una plataforma y puedes comenzar 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 por el cliente y hacer lo mejor financieramente por los accionistas. Si podemos mostrar que hay un buen caso de uso para correr ese riesgo, probar algo diferente porque hemos visto retornos en otros lugares, eso es una propuesta emocionante. Es mucho más probable que comiences una conversación y pongas en marcha el proceso. 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 que estén dispuestas a comprender realmente los desafíos y también puedan influir para presentar el caso comercial, para mostrar que realmente hay valor en probar algo así.
Joannes Vermorel: Una de las objeciones que frecuentemente recibo es que cuando pasas de algo como pronósticos puntuales, que se pueden representar fácilmente en Excel, a pronósticos probabilísticos, que se pueden representar en Excel hasta cierto punto, se convierte en un proceso un tanto pesadillesco. Entonces, en resumen, necesitas mejorar tus herramientas de alguna manera. Para poder tener modelos que abarquen la incertidumbre, necesitas una herramienta que sea más capaz que Excel. Creas una clase de riesgo, que de repente hace que tu organización dependa de personas capaces de manejar esas herramientas más complejas. Debido a tu posición como jefe de ciencia de datos, creo que estás a la vanguardia de la introducción de cosas que no son inmediatamente accesibles. Tan pronto como estemos hablando de tener 20 líneas de Python, el tipo de habilidad necesaria para encargarse de eso, en lugar de tener solo una simple hoja de cálculo, es bastante grande. Lo que significa que para la empresa, dependes de personas que tienen muchas más habilidades de ingeniería de las que solían tener en esos puestos de la cadena de suministro. Sé que algunas de las personas con las que estoy hablando están preocupadas por este tipo de propuesta. Se preguntan cómo abordar eso cuando quieren hacer que una cadena de suministro del mundo real dependa de algo que no va a funcionar a través de hojas de cálculo de Excel o se implemente como un sistema basado en reglas en ERP.
Sim Taylor: Probablemente hay dos cosas que debemos analizar. La primera es que Excel es una herramienta muy familiar para los gerentes de categoría, compradores y profesionales de la cadena de suministro. Definitivamente hay utilidad allí, pero en la mayoría de las empresas, la mayoría de las decisiones son determinadas y dirigidas por un sistema que ya es una caja negra para las personas que realmente toman las decisiones de compra. Entonces, el punto que planteas sobre pasar de Excel no es 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 manera diferente. Creo que siempre y cuando haya confianza en cómo funciona el nuevo sistema, y la educación adecuada y las discusiones para comprender por qué el sistema está haciendo algo ligeramente diferente, no es tanto un salto cambiar el sistema en sí.
La segunda parte es la confianza en los científicos de datos. Realmente creo que la cadena de suministro y la planificación de mercancías es una de esas áreas en las que no puedes simplemente asignar un científico de datos y esperar beneficios financieros tangibles. Tal vez haya
Conor Doherty: Joannes y Sim, quiero saber más sobre la importancia de tener tanto experiencia técnica y matemática como experiencia en cadena de suministro cuando se trata de optimizar las cadenas de suministro. ¿Qué piensan al respecto?
Sim Taylor: La optimización de la cadena de suministro requiere una combinación de experiencia, que incluye comprender los desafíos y complejidades del mundo de la cadena de suministro, así como tener habilidades matemáticas y técnicas. El candidato ideal tendría experiencia tanto en gestión de la cadena de suministro como en ciencia de datos. Deberían poder comprender y trabajar con sistemas anteriores y tener conocimiento de desafíos comunes, como las cantidades mínimas de pedido de proveedores y las restricciones de capacidad en los centros de distribución. Un científico de datos recién graduado de la universidad puede que no tenga este conocimiento, lo que puede generar desconfianza al intentar combinar la tecnología con la gestión de la cadena de suministro. Lo que buscamos son personas inteligentes con comprensión empresarial y inclinación técnica, capaces de trabajar con o explicar código para automatizar decisiones de manera inteligente. Esa combinación es crucial para construir equipos de análisis exitosos.
Conor Doherty: Joannes, ¿dirías que tu enfoque para seleccionar científicos de la cadena de suministro 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 se alinean. De hecho, veo una posible evolución en el mercado donde, dentro de una década, los equipos de ciencia de datos que actualmente operan de forma independiente podrían formar parte de las divisiones de cadena de suministro. Visualizo un futuro en el que cada división tenga un equipo de ingenieros especializados en análisis cuantitativo, que brinden la base de la optimización para la empresa. Trabajarían en estrecha colaboración con las operaciones y la alta dirección para establecer estrategias. Creo que esta evolución natural llevaría a la reincorporación de habilidades en ciencia de datos en cada departamento respectivo, como los analistas de cadena de suministro que se convierten en parte de la división de cadena de suministro, y los analistas de marketing que se unen a la división de marketing. La estructura organizativa actual, donde los departamentos de ciencia de datos son independientes de las divisiones a las que sirven, podría cambiar a medida que la ciencia de datos 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 de la ciencia de datos y el análisis dentro de las organizaciones es interesante. Como jefe de análisis en Petco, creo que si seguimos viendo éxitos operativos, podría haber un cambio hacia la incorporación de divisiones de análisis de datos en sus respectivos departamentos dentro de una década.
Conor Doherty: ¿Ves eso como algo que se internaliza en cada división cuando se logra el éxito?
Joannes Vermorel: Qué pregunta interesante, realmente hablando sobre cómo se organiza y estructura un negocio ahora y cuáles son los beneficios de esos enfoques diferentes. Desde mi opinión personal, no estoy en desacuerdo contigo. Creo que el título y la organización en la que te encuentres son algo irrelevantes.
Sim Taylor: Lo que me emociona cuando voy a trabajar cada día es tratar de encontrar oportunidades para brindar valor, un valor tangible que podamos medir. Me enfoco mucho específicamente en la cadena de suministro, como mencioné, como en la planificación de mercancías. Mi jefe dirige la organización más amplia de análisis de datos en muchas áreas diferentes y las une. Pero como mencioné, creo que específicamente para la cadena de suministro, he visto esto en el pasado: tienes personas realmente inteligentes que no tienen experiencia en cadena de suministro pero son muy técnicas, y no necesariamente se traducen en brindar ese valor significativo en el negocio. Es la combinación de las habilidades empresariales y la comprensión real de esa industria con la capacidad de ejecutar técnicamente lo que creo que impulsa resultados financieros positivos y significativos.
Entonces, ya sea que te llames científico de datos o te llames practicante de la cadena de suministro, de alguna manera, creo que es la pregunta equivocada o una pregunta irrelevante. Para mí, obtengo emoción al resolver problemas de la cadena de suministro, y por lo tanto, ya sea que llames a las personas en un equipo científicos de la cadena de suministro o planificadores de demanda, lo que importa es el trabajo que haces.
Definitivamente estoy de acuerdo en que debes estar muy vinculado con el negocio; de lo contrario, hay tantos matices en el mundo de la cadena de suministro y la planificación de mercancías que si no tienes un dominio de eso, solo estás jugando con números, y es difícil obtener resultados significativos.
El otro lado de la moneda es que creo que hay mucho valor que puede surgir al agrupar expertos en análisis y profesionales de diferentes áreas. El beneficio de tener una única organización de ciencia de datos es que puedes construir esas conexiones y relaciones entre personas inteligentes con ideas afines, y pueden aprender unos de otros y realmente aprovechar su experiencia técnica en diferentes áreas. Hay mucho beneficio en eso y en cómo los equipos interactúan entre sí en el análisis de marketing, la cadena de suministro, el cliente, la fijación de precios, por ejemplo. Hay muchas conexiones que pueden ser valiosas y unir todo eso.
Creo que realmente depende de la empresa y de lo que consideren como la mejor estrategia en general. Pero solo desde una perspectiva de cadena de suministro, creo que los resultados son lo que importa, y creo que es muy difícil obtener esa confianza de la que hablamos, que es tan importante al intentar algo nuevo y aparentemente complejo, si no puedes simplificarlo y explicarlo en términos de cómo va a generar valor empresarial con una comprensión de cómo funciona la cadena de suministro.
Joannes Vermorel: Creo que has tocado un punto muy interesante, y estoy retrocediendo un poco en comparación con tus comentarios sobre la centralización. Volviendo a la previsión probabilística, es una innovación bastante técnica, pero lo sorprendente es que afecta 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 también algo muy difícil de transmitir, es que es algo en la naturaleza que es increíblemente diferente, digamos, del aprendizaje profundo o la inteligencia artificial. Esta es fundamentalmente una innovación que es interesante debido a lo que puedes hacer con ella de una manera muy práctica en la cadena de suministro. La cantidad de ingredientes tecnológicos, hay algunos ingredientes tecnológicos para hacer pronósticos probabilísticos, pero juega un
Conor Doherty: Mejores pronósticos pueden llevar a una mejora en la cadena de suministro. Las empresas que sobresalen en el enfoque clásico pueden tener una mejor optimización de pedidos y reposición. Sin embargo, es importante tener en cuenta que la lógica de reposición y cómo extrapolamos los pronósticos en decisiones de la cadena de suministro es igualmente importante.
Sim Taylor: A menudo sorprende a la gente saber que en algunos casos, un promedio móvil ingenuo podría proporcionar resultados similares a un pronóstico puntual deficiente. 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 espera. 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 realmente puedan mostrar la mejora financiera después de implementar este enfoque?
Sim Taylor: No tengo un ejemplo específico desde la perspectiva de un pronóstico probabilístico, pero desde una perspectiva de cuantil, he visto éxito. Implementamos este enfoque con empresas, centrándonos en métricas clave del negocio como la disponibilidad de stock y las semanas de suministro. Logramos una mayor disponibilidad de stock manteniendo los niveles de inventario iguales o incluso reduciéndolos. Este enfoque ayudó a generar confianza y demostró que la aplicación inteligente de estos conceptos puede generar valor empresarial.
Conor Doherty: ¿Tienen alguna anécdota de historias de éxito donde hayan aplicado un enfoque de pronóstico probabilístico y hayan demostrado el valor del que hablan?
Sim Taylor: No específicamente desde la perspectiva de un pronóstico probabilístico, pero desde una perspectiva de cuantil, sí. Trabajando con un gran minorista canadiense, implementamos un enfoque de pronóstico puntual de stock de seguridad, lo que llevó a una mejora en la disponibilidad de stock sin aumentar el inventario. Cuando nos movimos hacia el pronóstico de cuantil, vimos un crecimiento significativo en la obtención de una mayor disponibilidad de stock manteniendo los niveles de inventario iguales o incluso reduciéndolos. Esto mostró las claras tendencias y diferencias en los factores de rendimiento empresarial, generando confianza en este enfoque. Soy un entusiasta que quiere dar el próximo salto y utilizar el enfoque de pronóstico probabilístico para mejorar aún más estos resultados.
Conor Doherty: El pronóstico de cuantil no resuelve completamente, bueno, gracias, Sim, por ese punto. Para pasar 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 para el pronóstico probabilístico para la cadena de suministro, la cantidad de casos límite es muy interesante. Cuando comenzamos, cada vez que intentábamos abordar un problema de cadena de suministro, había un bosque de casos límite. Por casos límite me refiero a algo donde la lógica habitual simplemente fallaba tanto que tenías que intervenir y corregir manualmente la situación porque el resultado no tenía sentido. Es por eso que los proveedores como Lokad suelen tener alertas y excepciones para gestionar todas esas situaciones que son tan flagrantemente absurdas. Incluso puedes tener una regla para detectarlo y decir: “Ok, alguien tiene que intervenir porque el sistema está produciendo una salida que tiene tan poco sentido”.
Y pasamos de tener toneladas de eso a muy poco. Así que es interesante porque, para mí, esa ha sido la eliminación de los casos límite, ese tipo de cosas que requieren atención específica, reglas específicas. Al final, creo que esta eliminación demuestra que todo eso fue simplemente la consecuencia de tener un método que, en su núcleo, ignoraba la incertidumbre. Por lo tanto, cada vez que había incertidumbre o riesgo, y por cierto, cuando tenemos restricciones, por ejemplo, con un emoji y lo que sea que signifique tomar una decisión consciente del riesgo, predominantemente logramos simplificarlas.
Aunque es un elemento muy anecdótico, la eliminación de los casos límite, he encontrado que es el indicador más confiable de la madurez y calidad de su tecnología. Es si puede 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 tiene que microgestionar su solución de software que opera su cadena de suministro, lo más probable es que signifique que a nivel fundamental, hay algo que no está haciendo bien. Tiene una falta de coincidencia de impedancia en la forma en que aborda el problema y la forma en que opera su software, y así termina teniendo esta microgestión como una forma de parchear su cadena de suministro.
Para mí, la pregunta será, ¿podemos pasar de las previsiones puntuales a las previsiones de cuantiles a las previsiones probabilísticas? Entonces, la pregunta abierta será, ¿qué sigue? Estoy bastante seguro de que habrá una próxima etapa de tecnología en esta área, pero por ahora, la batalla sigue siendo lograr que la mayoría de las empresas acepten la idea de simplemente aceptar la incertidumbre.
Sim Taylor: Y Joannes, solo para agregar, sabes, hablas sobre la reducción del trabajo como un beneficio importante que has visto. Creo que el lado opuesto es, si hablamos de algunos de esos casos límite de nicho, que realmente no son tan límite, simplemente surgen todo el tiempo en la cadena de suministro, como dijimos, es un mundo lleno de restricciones. O bien, lleva más trabajo, o lo que veo en negocios anteriores, con mucha más frecuencia, se toma la decisión equivocada. Tal vez no sea trabajo adicional, pero simplemente tomamos una
Conor Doherty: La toma de decisiones simplificada a menudo conduce a resultados subóptimos. El objetivo es utilizar información adicional para informar una decisión más óptima que requiera menos esfuerzo.
Sim Taylor: Correcto. Por ejemplo, solo tenemos suficientes necesidades de compra para pedir 50 cargamentos de un proveedor, pero nuestro contrato estipula que debemos pedir cargamentos completos o cumplir con una cantidad mínima de pedido. ¿Es financieramente mejor pedir ahora y comprar producto adicional que no necesitamos, lo que lleva a un exceso de inventario que ocupa capacidad, o no pedimos nada y corremos el riesgo de quedarnos sin stock en ciertos productos? Idealmente, tendríamos una decisión basada en el retorno de la inversión sobre si deberíamos pedir ahora o más tarde, lo que haría que las decisiones de casos límite sean más efectivas.
Conor Doherty: Caballeros, no tengo más preguntas. Sim, como cliente, te doy la última palabra. ¿Hay algo que te gustaría agregar o alguna pregunta de seguimiento que te gustaría plantear a los directores de cadena de suministro que aún no han adoptado la previsión probabilística?
Sim Taylor: Mi llamado a la acción para la comunidad de cadena de suministro es evaluar estos conceptos, abrazarlos y dar el salto para probar e iterar y comprender 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 comencemos a pensar en este enfoque e incorporarlo en los negocios para obtener éxito de él. A medida que compartimos ejemplos del valor, ayudará a acelerar la conversación y avanzar colectivamente hacia un escenario de pedido y reposición más óptimo.
Conor Doherty: Gracias por eso, Sim. No puedo llevarme todo el crédito. Joannes ayuda mucho.
Joannes Vermorel: Gracias, Conor. Lo aprecio.
Conor Doherty: En ese sentido, caballeros, daremos por terminado. Joannes, muchas gracias por su tiempo. Sim, muchas gracias por el suyo. Nos vemos la próxima vez.
