00:00:43 Introducción de Pierre Pinson
00:01:25 Antecedentes de Pierre Pinson y su trabajo en ingeniería de diseño centrado en datos y pronóstico.
00:02:20 Cómo Pierre se involucró en el pronóstico probabilístico y sus aplicaciones en energía, logística y análisis de negocios.
00:04:17 Evaluación de la calidad del pronóstico, su importancia en la toma de decisiones y cómo se relaciona con el valor del pronóstico.
00:07:41 Reacciones iniciales al pronóstico probabilístico.
00:08:27 El problema de la sobreconfianza.
00:10:00 La crítica de Claude Bernard a la estadística y las probabilidades.
00:13:00 Determinismo vs. comportamientos estocásticos en el mundo.
00:14:37 Uniendo la meteorología y los negocios con el pronóstico probabilístico.
00:15:11 La importancia del pronóstico del clima y las implicaciones culturales.
00:16:46 Explicando probabilidades y comprendiendo pronósticos.
00:18:58 Desafíos de la sobrecarga de información y la toma de decisiones.
00:20:31 Transformando probabilidades en evaluaciones de riesgo.
00:22:14 Equilibrando la toma de decisiones automatizada y la confianza del usuario.
00:23:36 Importancia de los pronósticos meteorológicos en los negocios y la logística.
00:25:01 Pronósticos de viento y su importancia en el sector energético.
00:26:00 Uso de datos meteorológicos en el pronóstico de la demanda de energía y situaciones de la cadena de suministro.
00:30:25 Diferencias en la aplicación del pronóstico probabilístico en los contextos de meteorología y logística.
00:32:46 Discutiendo los desafíos de traducir pronósticos probabilísticos complejos para los clientes.
00:33:32 Preocupaciones de costos de la computación en la nube y el alojamiento de grandes cantidades de datos.
00:35:02 Uso de histogramas bidimensionales y su impacto en la memoria y el costo.
00:37:19 Enseñando pronóstico probabilístico y los desafíos que enfrentan los estudiantes.
00:40:00 Haciendo el pronóstico probabilístico más fácil y comprendiendo la verificación del modelo.
00:42:40 Ineficiencia en los métodos de proceso y transporte.
00:43:57 El desafío de eliminar las incertidumbres de la cadena de suministro.
00:45:20 El costo de eliminar las incertidumbres y su impacto en diversas industrias.
00:47:00 La evolución del pronóstico y su cambio de las matemáticas aplicadas a la economía.
00:50:53 Convergencia de diferentes campos en el pronóstico y la toma de decisiones bajo incertidumbre.
00:52:30 Adaptando la explicación del pronóstico probabilístico para diferentes antecedentes.
00:53:21 Aplicando el pronóstico probabilístico a diversos negocios y sus beneficios.
00:55:53 El atractivo de los pronósticos probabilísticos visualmente interesantes e historias de infracción de derechos de autor.
00:58:03 Las limitaciones de los gráficos circulares para transmitir información y su uso en etapas de preventa.
01:00:01 Aceptar la incertidumbre en las carreras profesionales y comprender la perspectiva probabilística.
01:02:23 Enfoque interdisciplinario e incertidumbre en diversas industrias.
01:04:27 Importancia de la educación y cómo las nuevas generaciones impactan la industria.
01:07:00 Curva de adopción del pronóstico probabilístico en diferentes campos.
01:08:33 La visión de Joannes sobre un horizonte temporal de un siglo para aceptar la incertidumbre.
01:10:37 Desafíos en la adopción de nuevas ideas y el ritmo lento de cambio en algunos campos.
01:12:14 Importancia de las matemáticas en la tecnología de pronóstico.
01:13:26 Avances futuros en la ciencia y tecnología de pronóstico.
Resumen
En una entrevista con Conor Doherty, Joannes Vermorel, fundador de Lokad, y Pierre Pinson, presidente de Ingeniería de Diseño Centrado en Datos en el Imperial College London, discuten el pronóstico probabilístico y sus aplicaciones en diversos campos. Enfatizan la importancia de comprender la incertidumbre en el pronóstico y la necesidad de educación continua en el área. Los tres coinciden en que la innovación ocurre más rápido de lo que las personas pueden abrazarla, y animan a mantenerse actualizado sobre los nuevos desarrollos en el campo y estar preparado para los avances que están por venir.
Resumen extendido
En esta entrevista, el presentador Conor Doherty discute el pronóstico probabilístico con los invitados Joannes Vermorel, fundador de Lokad, y Pierre Pinson, presidente de Ingeniería de Diseño Centrado en Datos en el Imperial College London. Pinson tiene una amplia experiencia en ingeniería de diseño centrada en datos y se ha centrado en diversas áreas de aplicación, incluyendo energía y logística. Vermorel, por otro lado, abordó el pronóstico probabilístico desde una perspectiva de cadena de suministro.
Pinson inicialmente estaba interesado en el clima y la energía renovable y le ofrecieron un doctorado en pronóstico para parques eólicos. Él enfatiza la importancia de comprender la incertidumbre de un pronóstico y el rango potencial de resultados. El viaje de Vermorel hacia el pronóstico probabilístico comenzó con la realización de que muchos pronósticos de cadena de suministro eran principalmente cero. Descubrió que si bien todo es posible, no todo es igualmente probable, y comprender la estructura de las inexactitudes del pronóstico puede ser valioso.
La meteorología utiliza diversas métricas para evaluar la calidad del pronóstico, como la distancia entre las predicciones y los resultados reales, y el promedio de las diferencias absolutas entre ambos. Sin embargo, estas métricas no siempre indican si un pronóstico es bueno o malo para una aplicación específica. Vermorel agrega que el pronóstico probabilístico puede ayudar a proporcionar una opinión fundamentada sobre el ámbito de las posibilidades.
Uno de los desafíos que enfrentan quienes trabajan con pronósticos probabilísticos es convencer a otros de aceptar y adoptar la idea de cuantificar la incertidumbre. Las personas generalmente prefieren pronósticos deterministas debido a los sesgos cognitivos que favorecen la sobreconfianza. Sin embargo, los pronósticos probabilísticos proporcionan una representación más transparente y justa de los resultados potenciales. El uso de pronósticos probabilísticos en la toma de decisiones puede llevar a mejores resultados, pero las personas deben estar abiertas a la idea de la incertidumbre.
Claude Bernard, un fisiólogo francés del siglo XIX, argumentó en contra del uso de estadísticas y probabilidades en experimentos científicos, sugiriendo que la variabilidad era el resultado de una comprensión incompleta o de una ciencia perezosa. Sin embargo, Pinson cree que si bien los enfoques deterministas pueden funcionar bien para ciertos problemas, el mundo no es fundamentalmente determinista. El pronóstico probabilístico es valioso para situaciones con comportamiento estocástico e incertidumbre inherentes.
Uno de los principales desafíos del pronóstico probabilístico es la sobrecarga de información. Las personas ya tienen mucha información para procesar y agregar datos probabilísticos puede hacer que sea aún más difícil entender todo. Esto puede ser especialmente cierto al tratar con grandes conjuntos de datos, como pronosticar para millones de productos en una cadena de suministro.
Para abordar este problema, algunas empresas han recurrido a la toma de decisiones automatizada o a evaluaciones de riesgo para ayudar a los usuarios a comprender los pronósticos probabilísticos. Al transformar los datos probabilísticos en riesgos cuantificados, los usuarios pueden comprender mejor las posibles consecuencias de sus decisiones sin verse abrumados por la complejidad de los datos.
En el campo de la meteorología, el pronóstico probabilístico ha demostrado ser útil para predecir variables como la temperatura, la precipitación, la velocidad del viento y la radiación solar. Estas variables pueden tener un impacto significativo en diversos aspectos de la vida diaria y los negocios, como la producción y el consumo de energía. En algunos casos, utilizar datos meteorológicos en el pronóstico de la cadena de suministro puede llevar a predicciones más precisas, especialmente al tratar con cambios repentinos en los patrones climáticos.
Sin embargo, los entrevistados también reconocen que incorporar datos meteorológicos en el pronóstico de la cadena de suministro ha sido un desafío, con pocos ejemplos exitosos. Un caso involucró el uso de datos meteorológicos para mejorar los pronósticos de demanda de energía para un proveedor eléctrico en Europa. Al incorporar datos meteorológicos en sus pronósticos, la empresa pudo reducir las inexactitudes causadas por cambios rápidos en el clima.
Vermorel comparte sus experiencias con Lokad, que ha logrado una precisión impresionante en sus modelos de pronóstico, a pesar de su simplicidad. Un ejemplo que proporciona es un proyecto con un vendedor de helados que quería pronosticar aumentos en la demanda en función de las condiciones climáticas. Aunque el análisis post mortem fue exitoso para determinar las razones de las ventas aumentadas, predecir la demanda resultó ser más difícil debido a los largos tiempos de entrega involucrados en la cadena de suministro. Vermorel enfatiza que a pesar de los desafíos que enfrentaron, aún existe potencial para que el pronóstico probabilístico tenga éxito en diversas industrias.
Pinson analiza las diferencias entre aplicar el pronóstico probabilístico en contextos meteorológicos versus logísticos y empresariales. Explica que el desafío principal es determinar el producto de pronóstico correcto que se utilizará como entrada para los procesos de toma de decisiones. Menciona que los escenarios, los intervalos y los cuantiles son algunas de las opciones que se pueden considerar, pero en última instancia depende de las necesidades específicas del cliente o consumidor.
Vermorel también destaca la importancia de considerar los costos informáticos al implementar técnicas de pronóstico probabilístico. En su experiencia, los histogramas y las densidades de probabilidad proporcionan la información más detallada, pero pueden ser computacionalmente costosos, especialmente cuando se trata de datos de alta dimensionalidad. Como resultado, Lokad a menudo emplea una combinación de técnicas para mantener los costos manejables y los cálculos eficientes.
Al enseñar a los estudiantes sobre el pronóstico probabilístico, Pinson encuentra que el mayor desafío no es convencerlos de los méritos del concepto, sino ayudarlos a comprender las practicidades de aplicar estas técnicas en situaciones del mundo real. Vermorel agrega que es crucial para los profesionales equilibrar los aspectos teóricos del pronóstico probabilístico con las consideraciones prácticas de costo y eficiencia computacional.
Vermorel comparte sus dificultades para enseñar a personas que ya han recibido educación de consultores que abogan por movimientos lean y la eliminación de la incertidumbre de las cadenas de suministro. Él cree que algunas incertidumbres se pueden eliminar, pero otras son aceptables y deben manejarse con las herramientas adecuadas.
Pinson enfatiza que eliminar la incertidumbre puede ser costoso y que es mejor aceptarla y manejarla de manera inteligente. Da el ejemplo de la energía renovable, donde desarrollar sistemas de almacenamiento para manejar una cantidad infinita de energía sería extremadamente costoso y no factible. En cambio, aceptar la incertidumbre y el pronóstico puede ser más rentable y práctico.
La discusión se centra en los aspectos históricos y culturales del pronóstico, donde las personas siempre han tratado de vivir en un mundo determinista y eliminar la incertidumbre. También discuten la convergencia de diferentes campos, como las ciencias naturales, las ciencias sociales y la economía, en el pronóstico y la toma de decisiones bajo incertidumbre.
Pinson habla sobre los desafíos de enseñar el pronóstico probabilístico a personas con diferentes antecedentes y la necesidad de una versión abreviada para aquellos que no tienen una sólida formación matemática. Sugiere comenzar con ejemplos simples y aumentar gradualmente la complejidad, al tiempo que enfatiza la importancia de comprender los principios y conceptos subyacentes.
Vermorel comparte su experiencia con la infracción de derechos de autor, ya que algunos de los gráficos de su empresa se reutilizaron en LinkedIn sin permiso. Sin embargo, estos gráficos atractivos pueden captar la atención de posibles clientes y hacer que la empresa parezca más tecnológicamente avanzada.
Pinson habla sobre cómo la incertidumbre está presente en todos los aspectos de nuestras vidas y cómo comprenderla y manejarla es crucial para los profesionales en diversos campos. La educación juega un papel clave en promover esta comprensión, ya que los estudiantes que aprenden sobre el pronóstico probabilístico pueden llevar estas habilidades al trabajo y marcar la diferencia en sus empresas.
Pinson cree que la adopción del pronóstico probabilístico seguirá creciendo en diferentes industrias, a medida que más personas se eduquen al respecto y las empresas busquen inspiración e ideas entre sí. Cita la industria naviera como ejemplo de un campo que ha sido lento para adoptar el pronóstico probabilístico, pero que ahora busca otros campos para obtener orientación sobre cómo incorporarlo a sus operaciones.
Vermorel destaca la importancia de comprender la incertidumbre en el pronóstico, citando el ejemplo de la Batalla del siglo XIX, donde pasó casi un siglo para que las personas admitieran que la química era relevante para la medicina. Sugiere que la innovación ocurre más rápido de lo que las personas pueden abrazarla y la educación juega un papel crucial en este proceso. Vermorel también menciona la cita de Niels Bohr: “La ciencia avanza un funeral a la vez”, enfatizando la noción de que el progreso significativo puede ocurrir rápidamente, pero comprender sus implicaciones lleva aparentemente una eternidad.
Pinson habla sobre las aplicaciones del pronóstico probabilístico en meteorología, mencionando que aunque las matemáticas detrás de la tecnología de pronóstico pueden no ser la parte más relevante de la discusión, es esencial reconocer los desarrollos en matemáticas aplicadas. Explica que diseñar maquinaria para pronosticar millones de series de tiempo en paralelo plantea desafíos, pero los investigadores están desarrollando constantemente nuevos modelos y tecnologías para el futuro.
Tanto Vermorel como Pinson coinciden en que todavía queda mucho progreso por hacer en el pronóstico y el pronóstico probabilístico, así como la necesidad de una educación continua y comprensión de la incertidumbre. Animan a mantenerse actualizado sobre los nuevos desarrollos en el campo y estar preparado para los avances que están por venir.
Transcripción completa
Conor Doherty: ¡Bienvenidos de nuevo a LokadTV! Soy su anfitrión, Conor, y como siempre, me acompaña Joannes Vermorel, fundador de Lokad. Hoy nos acompaña Pierre Pinson, editor en jefe de la Revista Internacional de Pronóstico y Científico Jefe de Half Space. Hoy nos hablará sobre múltiples aplicaciones interesantes del pronóstico probabilístico. Bienvenido a Lokad, un placer conocerte.
Pierre Pinson: Gracias por recibirme hoy.
Conor Doherty: Y muchas gracias por acompañarnos. Ambos estamos muy emocionados de tenerte aquí. Ahora, Pierre, en realidad di una introducción muy breve; en realidad tienes un CV bastante amplio. Entonces, en primer lugar, ¿podrías darle a todos un vistazo a tu experiencia y a lo que haces, porque sé que estás involucrado en múltiples proyectos en múltiples campos?
Pierre Pinson: Sí, muchas gracias. En primer lugar, actualmente soy profesor en el Imperial College de Londres. Estoy a cargo de una cátedra que se centra en la ingeniería de diseño centrada en datos. A medida que tenemos cada vez más datos fluyendo en estos días, tenemos que generar valor a partir de los datos, y ese es el objetivo de mi investigación y mi enseñanza. Obviamente, una de las aplicaciones más interesantes y primeras en las que pensamos con los datos es el pronóstico, así que es algo que he estado haciendo durante los últimos 20 años, enfocándome en diferentes tipos de áreas de aplicación, principalmente energía porque hay tanto pronóstico relevante y necesario para la energía hoy en día, pero también para logística, análisis de negocios, etc.
Conor Doherty: Hay muchos campos interesantes y mucha superposición con lo que queremos hacer. Entonces, en primer lugar, ¿cómo te interesaste en el pronóstico probabilístico?
Pierre Pinson: Bueno, en realidad nunca quise hacer pronóstico probabilístico en primer lugar, debo confesar. Estaba muy interesado en el clima y la energía renovable, y me ofrecieron hacer un doctorado sobre pronóstico para energías renovables, para parques eólicos, ya sabes, cuánto van a producir los parques eólicos mañana. La cosa es que un pronosticador siempre se equivoca, y mi supervisor de doctorado dijo: “Bueno, nos gustaría saber qué tan equivocados están, pero no debería ser solo una métrica, ¿verdad? Como un pronóstico es bueno o malo en promedio. Nos gustaría saber, en este momento, mirando hacia mañana, ¿mi pronóstico va a ser bueno o no?” Y así es como me incliné hacia el pronóstico probabilístico, porque entonces tienes esta idea, condicional a lo que sé hoy, proyectándome hacia mañana, y cómo puedo describir de alguna manera la incertidumbre de lo que puede suceder y decir tal vez cuál es el resultado más probable, cuál es el resultado esperado y cuál sería tal vez algún intervalo para lo que puede suceder.
Conor Doherty: Bueno, eso es interesante, y voy a dirigirme a ti, Joannes, en un momento sobre esto, pero cuando hablas de qué hace un buen pronóstico en meteorología, ¿qué métricas utilizas para evaluar la efectividad? No puede ser simplemente “bueno, no llovió hoy, por lo tanto fue 100% preciso”. ¿Cuáles son las métricas para eso?
Pierre Pinson: Sí, por eso es en realidad una ciencia en sí misma, ya sabes, cómo evaluar un pronóstico y decidir si fue un buen pronóstico o no. En principio, cuando tienes un pronóstico para una variable continua, como la velocidad del viento o la temperatura, pensamos en la calidad del pronóstico como relacionada con una distancia entre lo que predijiste y lo que realmente sucedió. Luego hay diferentes formas de manipular esta distancia. Puedes tomar una suma de distancias al cuadrado o errores al cuadrado, puedes mirar el promedio de la diferencia absoluta entre los dos, etc. Entonces, hay muchas métricas que indican qué tan bueno o malo es el pronóstico. El problema es que es solo un número. Entonces, si te digo que en promedio mi pronóstico está equivocado por dos, podrías decir: “Ok, genial”, pero ¿eso hace un pronóstico bueno o malo para mi aplicación? Y eso ha sido muy a menudo el problema a lo largo de las últimas décadas de desarrollo en el pronóstico, es que necesitamos vincular la calidad del pronóstico, qué tan bueno eres en términos de esta distancia, con el valor del pronóstico, qué tan bueno va a ser si uso este pronóstico para mis problemas de toma de decisiones.
Conor Doherty: ¿Hay similitudes allí con cómo lo abordamos?
Joannes Vermorel: Eso es muy interesante porque en Lokad, llegamos al pronóstico probabilístico a través de una ruta completamente diferente, y lo que describes se acerca mucho a la opinión educada que adquirí después de unos años, en lugar del punto de partida. Mi enfoque inicial fue algo mucho más mundano. Era el hecho de que, en realidad, estábamos pronosticando muchas cosas en las cadenas de suministro, y simplemente pronosticábamos ceros. He contado esta anécdota un par de veces porque cuando hicimos nuestros primeros intentos de pronosticar cosas a partir de las ventas para mini mercados, donde la mayoría de los productos se venden cero veces al día en promedio, eso es lo más cercano que puedes obtener redondeado al entero más cercano. Tienes como el 95% de los productos en tu típico mini mercado que simplemente no se venden en ningún día dado. Y el problema era literalmente ese, y así comenzamos a tener un sesgo de pronóstico que nos llevó a los cuantiles. Y luego, mientras jugábamos con los cuantiles, nos dimos cuenta de que probablemente deberíamos tener todos los cuantiles a la vez, y nos adentramos en los pronósticos probabilísticos. Pero hoy en día, cuando tengo que explicar por qué importan los pronósticos probabilísticos, creo que la forma en que nos acercamos es que sí, tu pronóstico es desesperadamente inexacto, lo sabemos. Mi pronóstico, en el caso de que sea un proveedor, es desesperadamente inexacto, pero esto no es lo mismo que decir que no tengo ni idea de cuáles serán esas inexactitudes. De hecho, tengo una opinión bastante educada sobre el ámbito de las posibilidades. Todo es posible, pero no todo es igualmente probable. En tu opinión educada sobre el ámbito de las posibilidades, todo es posible pero no igualmente probable, y hay una estructura para analizar el error. ¿Puedes ampliar sobre eso?
Pierre Pinson: Lo más extraño e intrigante para las personas es la idea de que hay una estructura en este análisis del error. Las personas intuitivamente piensan que la incertidumbre proviene de no saber cosas, y luego les dices que hay una estructura en lo que no saben. Suena confuso. Cuando comencé a abogar por pronósticos probabilísticos, la reacción inicial que recibí fue que no importa lo que suceda, nunca estaría equivocado porque mi pronóstico siempre tendría en cuenta la posibilidad de que algo suceda. Las personas lo veían como el mecanismo de defensa definitivo para el proveedor.
Joannes Vermorel: Es interesante escuchar tus anécdotas, pero también se puede ver desde otra perspectiva. Existe la “paradoja del ratón grande” de la psicología y el marketing, donde las personas con demasiada confianza en una habitación reciben más crédito, incluso si pueden estar equivocadas. La mayoría de las personas prefieren un pronóstico determinista porque les da una sensación de confianza, aunque saben que va a estar equivocado. Proporcionar un pronóstico probabilístico en realidad es más transparente y justo, pero las personas tienen que aceptarlo y luchar contra su sesgo cognitivo hacia el determinismo.
Cuando confesamos que no podemos ser exactos, pero podemos dar una idea bastante buena del rango de posibilidades, estamos siendo más transparentes y posiblemente mejores en términos de calidad de pronóstico. El mayor problema para aquellos de nosotros que trabajamos con pronósticos probabilísticos es lograr que las personas acepten la idea de abrazar la incertidumbre y usarla en la toma de decisiones. En realidad, esto conducirá a mejores resultados. Este tipo de determinismo en tu vida es un gran problema que tenemos como personas que trabajamos con pronósticos probabilísticos. De alguna manera, tenemos que hacer que las personas acepten que tienen que relajarse con la idea de que quieren que este único punto sea informativo y verdadero. Tienen que aceptar el hecho de que, siempre y cuando puedas cuantificar la incertidumbre y usarla en la toma de decisiones, será mejor. Solo puedes hacerlo mejor.
Conor Doherty: ¿Qué piensas de esto, Joannes?
Joannes Vermorel: Es muy interesante, esta idea de admitir tus propias debilidades. Si retrocedes en el tiempo hasta Claude Bernard, quien inventó el experimento de control, él argumentó en contra del uso de estadísticas y probabilidades. Su punto es muy válido. Argumentó que si tienes algo que varía, simplemente significa que tienes un mal experimento y no controlas lo suficiente las cosas. Él estaba en el campo de la medicina y decía que si hay variabilidad, hay una tercera variable que lo explica. Entonces, estaba en contra de la idea de usar estadísticas y probabilidades porque, desde su perspectiva, era una admisión de tener una comprensión incompleta y ser un científico perezoso. Terminas con estas estadísticas sofisticadas que son solo una excusa para tus propias insuficiencias. ¿Cuál es tu perspectiva sobre esta objeción, Pierre?
Pierre Pinson: Estoy de acuerdo en que es cierto para cierto conjunto de problemas donde solo se basa en las leyes de la física, en un entorno muy controlado, y crees que el enfoque determinista debería ser suficiente. No deberías preocuparte demasiado por todas estas incertidumbres y tener un marco probabilístico. Pero si miras el caso más general, es casi una declaración filosófica sobre el mundo. ¿Creemos que el mundo es fundamentalmente determinista para todo lo que sucede? ¿O en realidad hay algún tipo de comportamiento estocástico a nuestro alrededor? Sabes, algunas reglas estocásticas, y eso hace que la idea básica de determinismo no siempre sea aplicable. Vemos eso en el clima, y hemos estado tratando de pensar, ya sabes, si tenemos más y más mediciones, si somos mejores con las leyes de la física, de alguna manera deberíamos poder verlo como un proceso determinista y predecirlo. Y esa es una buena esperanza, pero ha habido, creo, experimentos repetidos en los últimos 100 años donde nos damos cuenta de que tal vez no todo puede ser determinista, e incluso estos argumentos que mencionaste, este conocimiento incompleto, creo que hay tantas cosas que necesitamos modelar y predecir donde nunca tendremos suficiente conocimiento como para poder ubicarnos en un marco determinista. Simplemente no es posible.
Conor Doherty: Bueno, si puedo intervenir en ese punto porque una pregunta que quería hacer hace un momento fue si simplemente unió la idea de los negocios y la meteorología porque hay un puente interesante entre estos dos puntos, especialmente dado su experiencia aquí porque, nuevamente, tiene experiencia en negocios y meteorología. Entonces, presumiblemente, se encontró en una situación en la que aplicó pronósticos probabilísticos a un problema empresarial, tal vez encontró cierto grado de resistencia, como “oh, no quiero usar pronósticos probabilísticos, eso es magia negra”, pero esa misma persona exacta 10 segundos después saca su iPhone y dice: “oh, 60% de probabilidad de que llueva más tarde, mejor llevar un paraguas”. ¿Cómo atraviesa en ese momento esa especie de disonancia cognitiva?
Pierre Pinson: Es un punto muy válido y hay un problema cultural ahí. Creo que hemos visto eso, mencionaste los pronósticos del tiempo como un campo importante porque está en todas partes, todo el mundo está usando pronósticos del tiempo y es sensible a ellos. Es sensible a esta información, por lo que en realidad es un campo donde se ha visto que si cambiamos la forma en que comunicamos la información del pronóstico, hay cosas que funcionan, hay cosas que no funcionan. A veces es difícil para las personas evaluar realmente de qué se trata la información, pero encontramos que es útil pase lo que pase. Sabemos que nos resulta útil, pero es un proceso, y creo que el mismo proceso que tenemos que atravesar en diferentes campos. Puede ser en los negocios, puede ser en problemas de ingeniería, puede ser en seguros, puede haber tantas cosas donde en realidad, nosotros como científicos o proveedores de pronósticos, el ecosistema industrial, tienen que contribuir a cambiar la cultura para que las personas, los clientes o los usuarios en general, se den cuenta de que podemos pensar de manera diferente y que hay beneficios.
Conor Doherty: Bueno, solo para seguir con eso porque dijiste que encontraste, si entendí correctamente, que había ciertos mecanismos para transmitir información, información meteorológica o pronósticos meteorológicos, que resonaban con las personas, y había mecanismos que no lo hacían. ¿Podrías expandir un poco más sobre eso, por favor, o dar tal vez un ejemplo para que las personas puedan entender?
Pierre Pinson: Se han realizado diferentes estudios realizados por psicólogos que trabajan con meteorólogos. Por ejemplo, si hicieras una declaración hablando sobre la probabilidad de lluvia, como decir que hay un 60% de probabilidad de lluvia en Londres en las próximas dos horas, las personas interpretan eso de manera diferente. Algunas personas piensan que significa que va a llover el 60% del tiempo en Londres, mientras que otros creen que significa que hay un 60% de probabilidad de lluvia en una ubicación determinada en Londres. Las personas tienen dificultades para entender lo que significa fundamentalmente la probabilidad.
Joannes Vermorel: Sí, también hemos visto este problema al trabajar con usuarios o clientes. Hay una cantidad significativa de trabajo que se realiza para desarrollar la metodología de pronóstico de probabilidad y ver cómo se puede utilizar en la práctica. Pero también hay mucho trabajo que debe hacerse para ayudar a las personas a comprender lo que realmente significa la información y cómo puede afectar su toma de decisiones. El desafío es lograr que las personas comprendan cómo pasar de un pronóstico probabilístico a una decisión que sea mejor que si hubieran utilizado pronósticos deterministas. Si no lo entienden, no lo aceptarán.
Conor Doherty: ¿Cómo lo aclaras? ¿Utilizas un enfoque de caja blanca?
Joannes Vermorel: Estamos haciendo algo que es similar y diferente al mismo tiempo. Mi lucha, proveniente de un fondo de cadena de suministro, es lidiar con la sobrecarga de información. Las personas ya tienen demasiada información. Incluso los pronósticos deterministas pueden ser abrumadores, ya que a menudo están súper agregados y presentan varios problemas. Cuando pasas al ámbito del pronóstico probabilístico, empeora dos órdenes de magnitud, con histogramas para cada punto de datos e incluso más complejidad si consideras probabilidades de alta dimensión.
Inicialmente, intentamos mejorar la visualización y otros aspectos, pero al final, convergimos en una solución donde eliminamos las probabilidades desde la perspectiva del usuario. Basamos las decisiones en probabilidades, pero las transformamos en evaluaciones de riesgo expresadas en moneda. Por ejemplo, podríamos decirle a un cliente que el riesgo de exceso de stock es una cantidad X, y el riesgo de faltante de stock es una cantidad Y. Cuantificamos las clases y perspectivas de riesgo, siendo el pronóstico probabilístico subyacente la “plomería” para estas evaluaciones.
Por supuesto, esta no es la solución perfecta, pero funciona para nuestros clientes. A veces, a los equipos de científicos de datos les encanta trabajar con probabilidades, pero los expertos en cadena de suministro que no están tan familiarizados con las probabilidades encuentran este enfoque más accesible. Diría que el experto en cadena de suministro, que es increíblemente competente en cadena de suministro pero no tan versado en probabilidades, encuentra muy difícil despertar su interés en eso, simplemente debido a la sobrecarga de información que exige. Muy rápidamente, estos gerentes tienen que evaluar si vale la pena dedicar tiempo a mirar estos histogramas. Ese es un punto de venta muy difícil cuando empiezas a hablar con personas que valoran mucho su tiempo.
Pierre Pinson: De acuerdo, estoy totalmente de acuerdo. Hay trayectorias muy diferentes. Como mencionaste, hay diferentes formas en las que se puede intentar considerar este problema de la sobrecarga de información. Estoy totalmente de acuerdo con tu estrategia aquí. Creo que tratar de tener toma de decisiones automatizada o sugerir decisiones óptimas, habiendo entendido la relación costo-pérdida del usuario, etc., es algo bueno. Pero nuevamente, tienen que entender cómo llegaste allí y por qué deberían confiar en ello en primer lugar, lo cual es gracioso porque cuando era determinista, confiaban en ello. Y ahora que está la palabra probabilidad, ya no confían en ello. Pero esa es otra historia. La belleza de tener información probabilística es que puedes dar esta capa adicional de evaluaciones muy básicas, evaluaciones de riesgo, que es lo que realmente quieren cuando dicen que aceptan lo probabilístico. Por favor, dime a qué riesgo estoy expuesto. Este es el tipo más simple de información que puedes proporcionar que brinda los beneficios del pronóstico probabilístico sin la sobrecarga de información que mencionaste. Entonces, en realidad creo que es una muy buena estrategia.
Conor Doherty: Bueno, hemos comenzado a fusionar los temas, como la meteorología y los negocios. Entonces, en este punto, Pierre, como tienes mucha experiencia en ambos, ¿cuáles son algunos ejemplos de pronósticos meteorológicos clave o datos meteorológicos que has tomado y aplicado en un contexto empresarial o logístico?
Pierre Pinson: La información de pronóstico del tiempo que puedes querer usar como entrada para la toma de decisiones tiene muy pocas variables que son extremadamente importantes, y luego la importancia de la variable disminuye rápidamente. Las variables más importantes son la temperatura, que impulsa tantos otros procesos en nuestras vidas, y luego está la precipitación. Más recientemente, está el viento porque, en los viejos tiempos, hace unos 30 años, cuando los meteorólogos hablaban del viento, producían pronósticos de viento casi por diversión, porque a nadie le importaba demasiado. Es solo, ¿va a hacer viento o no? Y tal vez si haces vela, estás un poco más interesado. Pero hoy, debido a las aplicaciones de energía, los pronósticos de velocidad del viento son extremadamente importantes porque un pequeño error de pronóstico en la velocidad del viento se traduce en grandes errores de pronóstico en la energía que estará disponible mañana. Entonces, piensa en un país como Dinamarca, donde en promedio la mitad de la energía proviene del viento. Es bastante importante tener buenos pronósticos de viento. Estas son las variables más relevantes, y ahora también se está yendo hacia la radiación solar debido a la energía solar. Pero diría que estas son las variables más importantes, y después de eso, en términos de impacto, estas variables meteorológicas se utilizan en todas partes hoy en día. Quiero decir, cuando ves la importancia de los pronósticos del tiempo y la calidad de los pronósticos del tiempo en nuestra vida diaria, tanto en un contexto empresarial como en nuestro contexto de vida cotidiana, es extremadamente importante.
Conor Doherty: Seguramente, en términos de tiempos de entrega cuando se trata de mercancías enviadas desde el extranjero, quiero decir, entendiendo lo que acaba de describir Pierre, eso debe tenerse en cuenta en el pronóstico probabilístico para las cadenas de suministro, por ejemplo.
Joannes Vermorel: En toda la historia de Lokad, creo que solo tuvimos dos ocasiones en las que realmente logramos utilizar datos meteorológicos en situaciones de cadena de suministro. Nuevamente, eso podría ser falta de talento, falta de dedicación o muchas otras cosas. Pero la conclusión fue que, para hacer pronósticos, tuvimos un gran proveedor de electricidad europeo hace una década, y teníamos un contrato para mejorar su pronóstico de demanda de energía teniendo en cuenta el clima. Y ese, para mí, es el único caso en el que hubo una clara ventaja en el uso de datos meteorológicos. Funciona, y la conclusión fue que estábamos viendo pronósticos que ya estaban bastante agregados, esencialmente por regiones. Entonces, el pronóstico, incluso sin el clima, ya era muy preciso, quiero decir, un 2% de precisión porque estaban muy agregados. Pero, por cierto, eso era solo la demanda de energía, no solo eso, y la demanda de energía solo de un día para otro. Entonces, solo estabas mirando 24 horas hacia adelante, y las regiones agregadas serían, digamos, un país como Bélgica, o tal vez Francia dividida en cinco áreas, un nivel bastante alto.
Sin el clima, tendrías un pronóstico, un pronóstico de series de tiempo que tenía un 2% de precisión, y la mayoría de las imprecisiones eran causadas por cambios rápidos en el clima. Cuando hace frío, tiende a permanecer frío, pero luego, cuando de repente tienes un cambio en el clima, tienes este salto y no lo ves. Entonces, eso era más como si tuvieras un pronóstico que tenía un 0.5% de precisión en promedio, pero luego acumularías tal vez un 5 o 6% de imprecisión en el día en que el clima estaba cambiando. Y al incluir el clima, ya habían logrado algo así como un 0.5% de precisión, y con Lokad, logramos prácticamente la misma precisión pero con modelos que eran mucho más simples y manejables en términos de software de computadora. Entonces, fue un tipo específico de emprendimiento.
Esa fue la primera vez que dije que funciona muy bien. La segunda fue con marcas de productos de consumo masivo que querían pronosticar básicamente aumentos repentinos de la demanda utilizando pronósticos del clima. Desafortunadamente, los resultados fueron en su mayoría negativos. Lo que funcionó muy bien fue, y no voy a dar el nombre de la marca, pero digamos que era un vendedor de helados, y solo querían saber qué funcionaba muy bien después del verano. La pregunta era, ¿vendimos más helados porque hacía mucho calor o porque el marketing promoción fue muy bueno? Como técnica post mortem para explicar la situación, funcionaba bien. Sin embargo, el problema cuando se trata de predecir es que los tiempos de entrega involucrados en la mayoría de las situaciones de la cadena de suministro son significativos. Por ejemplo, si produces helados, debes pedir materias primas y preparar tu programa de producción aproximadamente seis semanas antes. En ese momento, la precisión de los pronósticos del clima tiende a revertir a promedios estacionales, que no son lo suficientemente mejores que el promedio estacional como para cambiar tu decisión. En nuestra experiencia, resultó ser increíblemente difícil, y tuvimos algunos éxitos, pero fue muy educativo en muchos aspectos.
Conor Doherty: Pierre, cuando se trata de aplicar pronósticos probabilísticos en un contexto meteorológico, ¿cómo se traduce eso en aplicarlo en un contexto logístico o empresarial? ¿Existen similitudes en términos de restricciones o el proceso?
Pierre Pinson: Uno de los principales problemas clave cuando pensamos en diferentes aplicaciones, ya sea meteorología o sectores sensibles al clima, es el tipo de producto de pronóstico que es útil como entrada para la toma de decisiones. Típicamente, los pronósticos del clima utilizan pronósticos de conjunto, que consisten en múltiples trayectorias o futuros potenciales. Por ejemplo, el Centro Europeo tiene 51 escenarios alternativos. Sin embargo, hay muchos tipos de procesos de toma de decisiones donde se necesitan diferentes productos de pronóstico.
En el trading, por ejemplo, las personas prefieren usar densidades, que son descripciones completas de la función de densidad de probabilidad. Algunas personas prefieren intervalos y niveles de confianza predefinidos como entrada para la toma de decisiones. Otros solicitan cuantiles específicos basados en sus consideraciones de costo y pérdida. Entonces, la principal diferencia que he visto entre la meteorología y otros campos es que tenemos que pasar mucho tiempo pensando en el producto de pronóstico correcto para usar como entrada. Tenemos que proyectarnos en el mundo de nuestros clientes y encontrar la mejor manera de representar la información compleja de los pronósticos probabilísticos en lo que les resulte más útil. Por lo tanto, el pronóstico debe ser útil para los clientes, y tu enfoque también se centra en eso. ¿Puedes ampliar más sobre las preocupaciones con los costos de computación en la nube y cómo afecta tu trabajo?
Joannes Vermorel: Sí, como proveedor de software empresarial, una de las principales preocupaciones es el costo de la computación en la nube, de una manera muy mundana. Solo para darte una idea de la escala, la base de clientes de Lokad administra aproximadamente un petabyte de datos, y eso es lo que estamos pagando actualmente a Microsoft, nuestro proveedor de alojamiento en la nube. Es un buen negocio para Microsoft y para Lokad, pero hay costos involucrados. La mayor parte de lo que estamos considerando está impulsado por la eficiencia de costos que podemos tener en términos de hardware informático.
Los histogramas y las densidades de probabilidad suelen ser los mejores. Son muy ricos, muy agradables y muy fáciles de usar. Pero el problema es que en una dimensión, esto está bien. Tienes un costo fijo, por lo que inflas la cantidad de datos en, digamos, 100 y tienes un buen histograma. Pero luego, si pasas a dos dimensiones, porque quieres tener una matriz de probabilidades, se vuelve más complicado. Por ejemplo, es posible que desees analizar las probabilidades de tener una demanda específica para un producto y las probabilidades de tener la misma demanda para otro producto, pero de manera conjunta. La razón es que estos productos son competidores, y cuando la demanda aumenta para un producto, tiende a ser debido a la canibalización del otro. Por lo tanto, deseas probabilidades que reconozcan el hecho de que lo más probable es que si la demanda de un producto va a aumentar, significa que la demanda de otro va a disminuir, y viceversa. Ahora, si lo haces con una matriz, tienes un histograma bidimensional, y la memoria requerida aumenta significativamente. Se vuelve peor a medida que aumentas en dimensiones, lo que hace que las cosas sean muy costosas.
De manera similar, cuando deseas realizar simulaciones al estilo de Monte Carlo, que son muy buenas para tratar con cosas de alta dimensión, el problema es que tienes rendimientos decrecientes con muchos escenarios. Es posible que necesites muchos escenarios solo para poder observar un riesgo que es un poco raro, como 10,000 instancias. La mayor parte de nuestras consideraciones se deben al hecho de que necesitamos mantener los costos informáticos manejables. No es solo el costo que pagamos a Microsoft, sino también el hecho de que cuando estás usando algo más complejo, los cálculos llevan más tiempo, y las personas tienen que esperar a que se complete el pronóstico antes de poder continuar con sus tareas.
Para técnicas determinísticas de series temporales, especialmente las pre-machine learning que se utilizaban hasta los años 90, casi se pueden tener en tiempo real, incluso si se tienen ciclicidades y demás. Son muy rápidas y se pueden obtener rápidamente resultados con métodos como ARIMA o suavización exponencial, todas esas cosas se pueden hacer en tiempo real, incluso si se tienen ciclicidades y demás. Pero si optas por algo muy sofisticado, como una Red de Deep Learning muy profunda, este tipo de cosas puede llevar horas de entrenamiento, y eso para nosotros es un gran costo. Además, desde nuestra perspectiva, lo que tiende a dominar es la practicidad de ello, y eso es una gran preocupación.
Conor Doherty: Pierre, una de las cosas que haces es enseñar en el Imperial College London, y te encuentras con estudiantes que vienen a tu clase para aprender sobre pronósticos probabilísticos por primera vez. Con personas que ya tienen conocimientos en matemáticas y ya están convencidas de la idea de abrazar la incertidumbre, en tu experiencia, ¿cuál tiende a ser el mayor desafío que enfrentan en términos de aprender estas habilidades, siguiendo tu liderazgo básicamente?
Pierre Pinson: En términos de enseñar pronósticos, lo he hecho más mientras estaba en Dinamarca, con mucho enfoque en la energía. Creo que los problemas siempre son los mismos. Uno de los primeros problemas es lo que escuchamos antes; se trata de aceptarlo. ¿Por qué debería ser probabilístico en primer lugar? Debo decir que normalmente, paso bastante tiempo describiendo problemas, problemas de toma de decisiones, y mostrando a los estudiantes que solo se pueden tomar mejores decisiones si se es probabilístico. Es muy importante para un desarrollador o usuario de un pronóstico, un cliente en ambos lados, entender que solo se puede mejorar si se es probabilístico. Te va a costar algo, pero si lo aceptas, irá mejor. Se necesita mucho trabajo para convencerte a ti mismo y darte cuenta y entender por qué. Si no entiendes por qué sería mejor, tal vez tengas dificultades para aceptarlo. Así que dedicamos bastante tiempo a eso.
Luego quiero que entiendan que no es difícil producir estos pronósticos. Mencionaste algunos de los modelos clásicos, pero incluso puedes pensarlo en términos de variables aleatorias básicas. Si quieres hacer un pronóstico probabilístico para algo que es gaussiano, cuando estamos haciendo el pronóstico puntual clásico, solo estamos prediciendo la media. Y ahora que decimos que queremos ser probabilísticos, solo necesitamos predecir la varianza además, y luego tenemos un pronóstico probabilístico completo. Incluso si no quieres ser paramétrico, si quieres predecir cuantiles, en realidad puedes usar los mismos modelos que para el caso determinista, solo cambias la función de pérdida en tu entrenamiento, y voilà, tienes un pronóstico de cuantil. Un aspecto importante es que les enseño a los estudiantes que no es algo que sea como órdenes de magnitud más complejo de aprender y manejar.
La última parte es la verificación porque también discutimos anteriormente que algunas personas tienen esta idea de que ahora lo tomas con calma, ¿verdad? Porque si te vuelves probabilístico, podrías decir lo que sea, y de alguna manera me vas a decir después que nunca te equivocas. Pero existen algunos marcos muy rigurosos para verificar pronósticos probabilísticos y mostrar realmente que tienen sentido, que tus probabilidades son correctas, y que estás tratando de concentrar información, etc. Estos son los bloques principales por los que paso con mis estudiantes, y mi experiencia es que estas son las bases que necesitas si tienes que manejar pronósticos probabilísticos después en tu trabajo.
Joannes Vermorel: Mi lucha es divertida porque probablemente eres privilegiado en el sentido de tener a tus estudiantes. Mis prospectos típicamente ya han recibido una educación en forma de lo que los consultores les dicen. Vamos a hacer enemigos hoy. El problema es que hay una anti-defensa, como el movimiento lean. El movimiento lean y la idea, por ejemplo, de que deberíamos desperdiciar menos. Quiero decir, como principio general, sí, es mejor evitar el desperdicio. Por definición, el desperdicio es algo indeseable, por lo que es tautológico en términos de la afirmación. Nadie está diciendo que produzcamos desperdicio por el simple hecho de hacerlo, pero eso es parte del movimiento de fabricación lean y del movimiento de la cadena de suministro lean. El problema con esta línea de pensamiento es que terminas con cosas como, por ejemplo, si tienes procesos derrochadores como los tiempos de espera largos, quieres eliminarlos. Pero en algún momento, puedes tener un proceso que no es necesariamente muy derrochador pero muy ineficiente de todos modos, debido al hecho de que has intentado comprimir tus tiempos de espera tanto como sea posible. Por ejemplo, si quieres mover cosas lo más rápido posible, un avión es lo mejor, pero la eficiencia de un avión en términos de combustible es terrible en comparación con los trenes o los barcos de carga. Entonces, en sí mismo, ir directamente a matar en términos de cosas como cero stock, cero retraso, cero desperdicio, que es la perspectiva general defendida por ciertos movimientos, es un intento de eliminar por completo la incertidumbre. Si tienes un tiempo de espera cero, entonces de repente, ¿por qué haces pronósticos? Solo necesitas lidiar con lo que tienes justo enfrente. Si no tienes stock, ¿por qué necesitas gestionar el riesgo potencial de tener demasiado stock o cualquier otra cosa? Entonces, mi interesante punto de vista es que parte del desafío es que las personas que no se beneficiaron en los primeros años de un curso que demostraba la superioridad del pensamiento probabilístico pasaron por una o dos, y a veces tres o cuatro décadas de defensa de opinión de los consultores para eliminar todo tipo de incertidumbres de su cadena de suministro. Algunas de las incertidumbres, diría yo, son las accidentales, donde simplemente tienes incertidumbres que surgen debido a un proceso deficiente, esas, sí, debes eliminarlas. Si las personas, por ejemplo, no tienen las habilidades adecuadas y algunas personas simplemente hacen basura, ese no es el tipo de incertidumbre que deseas. Pero tienes otras incertidumbres, como el hecho de que tal vez los barcos de carga sean un poco más lentos debido al clima, por lo que no van a ir a la misma velocidad cada vez. Pero es perfectamente aceptable tolerar esta incertidumbre si tienes las herramientas para lidiar con ella de una manera sensata.
Pierre Pinson: Tienes razón. Típicamente, enmarcamos este problema como una cuestión de costo porque, de alguna manera, eliminar las incertidumbres tiene un costo. Si tienes una cantidad infinita de dinero que estás dispuesto a invertir en eliminar todas las incertidumbres, podrías hacerlo. Pero cualquier tipo de incertidumbre, aparte de las que se deben a que estás haciendo algo mal o algunas ineficiencias, cualquier incertidumbre más fundamental en tu proceso que quieras eliminar, probablemente te va a costar mucho. Entonces, es un problema típico donde dices: “De acuerdo, genial, quieres eliminar todas las incertidumbres como si fuera gratis. Si fuera gratis, nosotros también lo habríamos hecho”. Entonces, este costo es algo que tenemos que decidir si podemos soportar. Tenemos un paralelo, que es muy interesante en la energía. Por ejemplo, trabajo mucho con energía renovable. Si estuviéramos desarrollando almacenamiento para tener una cantidad infinita de energía que podemos almacenar en cualquier momento y durante el tiempo que queramos, de alguna manera el problema estaría resuelto. Algunas personas dicen que no necesitaríamos hacer pronósticos, no tendríamos que preocuparnos. Pero desarrollar e implementar baterías a esta escala
