00:00:00 Gestión de inventario: Discusión sobre niveles de servicio y safety stock.
00:00:22 Joannes desafía las percepciones de los niveles de servicio y del safety stock.
00:02:10 Beneficios de decisiones concretas en la gestión de inventario.
00:03:07 Explorando las complejidades en la medición de los niveles de servicio.
00:06:10 Joannes sobre los pros y contras del análisis ABC XYZ.
00:10:31 Adentrándose en las complejidades de la optimización de inventarios.
00:11:22 Las complejidades de diseñar un sistema verificable.
00:12:15 Crítica al ABC XYZ y sus raíces psicológicas.
00:13:33 Análisis ABC XYZ, la influencia de la cognición humana.
00:16:12 La inmersión profunda del ABC XYZ, el valor del ranking computacional.
00:21:04 Discusión sobre la categorización e calibración del inventario.
00:23:53 Introducción a la perspectiva de cesta y los desafíos en asignar el inventario.
00:24:54 Rastreando la historia de los niveles de servicio en la gestión de inventario.
00:26:55 Trampas e implicaciones engañosas de las métricas de nivel de servicio.
00:28:51 Desmitificando el nivel de servicio y el mito de la satisfacción del cliente.
00:32:34 Analogía del agua para entender las supply chain.
00:34:25 Discusión sobre la naturaleza dinámica del volumen de ventas.
00:36:00 Calidad del servicio, expectativas del cliente y disponibilidad de productos.
00:38:20 Desmitificando la trampa matemática en la variedad de productos.
00:41:16 El mito de los modelos matemáticos en la gestión de inventario.
00:42:12 La falla del modelo ABC XYZ: ignorar el comportamiento del cliente.
00:43:41 Deficiencias del ABC XYZ como mecanismo de priorización.
00:44:46 Intentos fallidos de arreglar el ABC XYZ.
00:47:35 Suposiciones erróneas en supply chain y transición a la automatización.
00:51:01 Discusión sobre la falacia de las ventas diarias promedio.
00:52:49 Criticando la volatilidad en la categorización de productos.
00:54:07 Disputando el valor de la clasificación matemática.
00:56:11 Enfoques de supply chain: deterministas vs probabilísticos.
01:03:43 Debate sobre la utilidad de la IA para cerrar brechas.
01:07:56 Desafiando las suposiciones tradicionales de supply chain.
01:10:33 Tolerancia a la ambigüedad y coexistencia de contradicciones.
01:16:24 La realidad de las supply chain modernas y complejas.
Resumen
Conor Doherty y Joannes Vermorel investigan la popular herramienta de análisis de stock ABC XYZ Analysis, argumentando que su simplificación excesiva conduce a la pérdida de información. Vermorel cuestiona las prácticas convencionales de gestionar por separado los service levels y el safety stock. Vermorel aboga por la gestión de supply chain asistida por tecnología, dada la complejidad de manejar grandes cantidades de productos. Critica el análisis ABC XYZ por carecer de dinamismo y no considerar las perspectivas de los clientes. Vermorel favorece un enfoque probabilístico a la gestión de supply chain, que puede ofrecer una comprensión más matizada de los riesgos y ayudar en la toma de decisiones.
Resumen extendido
En esta entrevista, Conor Doherty, el presentador, y Joannes Vermorel, el fundador de Lokad, analizan la popular herramienta de análisis de stock, ABC XYZ Analysis. Esta metodología clasifica los productos, basándose en el volumen y la variación, en subgrupos simples. Vermorel sugiere que esta metodología es defectuosa debido a su simplificación excesiva de las características del producto, lo que resulta en una pérdida de información valiosa.
La entrevista también aborda la complejidad de establecer objetivos adecuados para los niveles de servicio y el safety stock. Vermorel enfatiza la complejidad inherente de esta tarea, cuestionando la idea convencional de descomponer el problema en partes aparentemente más simples, tales como los niveles de servicio y el safety stock.
Vermorel cuestiona la suposición implícita de que abordar los niveles de servicio o el safety stock por separado simplifica el problema. Señala que los desafíos que surgen al determinar la cantidad adecuada para reabastecer son los mismos que al establecer el nivel de servicio correcto. Las complejidades involucradas en ambos procesos son similares, lo que hace que uno no sea más simple que el otro.
Explicando su punto de vista, Vermorel distingue entre las decisiones tangibles y directas sobre las cantidades de inventario y el concepto abstracto de nivel de servicio. Señala que las decisiones tangibles sobre las cantidades en inventario tienen consecuencias claras y medibles en la supply chain, a diferencia de las nociones abstractas de niveles de servicio. En consecuencia, argumenta que centrarse en acciones tangibles y medibles en lugar de conceptos abstractos podría simplificar el problema.
Vermorel pasa a criticar herramientas como el análisis ABC XYZ, que se utilizan para determinar las políticas de inventario. Describe estas herramientas como “mecanismos de priorización de la atención” destinados a ayudar a los humanos a tomar decisiones de inventario. Aunque estas herramientas pueden ser útiles para priorizar qué productos reciben atención en función del volumen de ventas, Vermorel sugiere que no simplifican fundamentalmente el problema inicial.
De hecho, Vermorel sostiene que el énfasis en desarrollar herramientas para ayudar a los humanos a priorizar la atención en la toma de decisiones nos ha alejado del problema inicial. Este cambio, al que compara con el concepto de software de “Yak shaving”, ha dado lugar a intentar resolver un asunto mucho más complicado: cómo presentar la información a los humanos de la mejor manera para la toma de decisiones.
Critica este enfoque, señalando que si las computadoras se utilizan para resolver el problema desde el principio, no es necesario priorizar la atención de los humanos. La computadora debería resolver el problema en su totalidad, sin la interferencia humana en cada paso del proceso.
Doherty cuestiona a Vermorel por descartar la variabilidad de la demanda como una “preocupación tangencial”. Vermorel responde reiterando su argumento principal: el problema inicial era tomar la decisión correcta de inventario. Sin embargo, si los humanos forman parte del proceso, su capacidad limitada para procesar información requiere priorización. Herramientas como el análisis ABC XYZ se crearon para facilitar este proceso de priorización, pero Vermorel sugiere que esto nos ha desviado de la solución del problema original.
En cambio, Vermorel propone que a cada producto se le asigne un rango según su volumen de ventas. El sistema de clasificación, sugiere, ofrece una forma más informativa de clasificar los productos, ya que retiene más datos. Este sistema se alinea con las capacidades computacionales de las computadoras modernas, permitiendo un análisis más preciso que el de la mente humana.
Vermorel critica además la idea de que la mente humana sea el principal tomador de decisiones en la gestión de supply chain. Dada la gran cantidad de productos con los que una empresa trabaja a diario, sugiere que existe una limitación significativa en la capacidad de la mente humana para gestionar inventarios de manera efectiva. Insinúa que confiar en la tecnología para manejar estas complejidades sería más efectivo.
Habla sobre la práctica de dividir productos en categorías basadas en los volúmenes de ventas, cuestionando este método ya que conduce a una pérdida de información. Compara este método con aproximar un círculo mediante un polígono: cuantas más aristas se añadan, más se aproxima a un círculo, pero nunca será una representación perfecta. Para Vermorel, la clasificación de productos en unas pocas categorías es una crude aproximación de la curva suave y continua que representa el rango de cada producto basado en el volumen de ventas.
Transicionando al tema de los SKUs (Stock Keeping Units), Vermorel argumenta en contra de tratar los SKUs de manera aislada, sugiriendo que esto simplifica el problema pero no lo resuelve de manera efectiva. Critica el método de safety stock, que involucra niveles de servicio, ya que se basa en suposiciones sobre la demanda futura y el lead time, pero estos no se distribuyen normalmente como sugiere el método. Sostiene que este método puede conducir a situaciones problemáticas, como tiempos de entrega negativos y ventas negativas.
Vermorel postula que el concepto de nivel de servicio es fundamentalmente defectuoso. Señala que puede parecer intuitivo que un nivel de servicio más alto indique una mayor satisfacción del cliente. Sin embargo, el modelo matemático subyacente a los cálculos de safety stock no proporciona ninguna perspectiva sobre la satisfacción del cliente.
Él enfatiza la importancia de tratar la gestión de supply chain como un problema multidimensional, dada la diversidad y cantidad de productos con los que la mayoría de las empresas trabajan. Vermorel sugiere que se debe adoptar un enfoque diferente para las supply chain con una gran cantidad de SKUs, ya que las propiedades complejas y emergentes de dicho sistema difieren fundamentalmente de las de un sistema más simple de un solo producto.
Vermorel luego discute las complejidades de la optimización de supply chain. Así como entender una sola molécula no proporciona el conocimiento completo del agua en todas sus formas, comprender un solo producto no significa entender toda la supply chain. Existe una inmensa diversidad y complejidad en las supply chain, con muchos elementos inconcebibles desde una perspectiva de un solo producto.
Vermorel critica un enfoque común de la gestión de supply chain: el análisis ABC XYZ. Observa que los volúmenes de ventas no son estáticos, sino dinámicos, fluctuando ampliamente a lo largo del tiempo. Incluso un solo producto puede caer en diferentes categorías a lo largo de su ciclo de vida, lo que hace que el modelo ABC XYZ, que percibe el volumen de ventas como estático, sea insuficiente.
Esta falta de dinamismo es problemática ya que las expectativas de los clientes están en constante cambio, y las supply chain deben adaptarse en consecuencia. Si se espera que una panadería tenga pan disponible todos los días, cualquier faltante de stock rompe el “contrato social”, dañando la percepción de calidad del servicio del cliente. Dicha percepción no está determinada por la supply chain, sino por los propios clientes.
Curiosamente, Vermorel menciona cómo el nivel de servicio de un solo producto no se traduce en una experiencia satisfactoria para el cliente cuando intervienen múltiples productos. Por ejemplo, en un supermercado con un 95% de nivel de servicio para cada producto, un cliente que desea 20 productos puede no encontrarlo todo, reduciendo el nivel de servicio percibido a menos del 10%. Esta discrepancia ilustra la diferencia significativa entre los modelos matemáticos y las percepciones de los clientes.
Vermorel enfatiza que el análisis ABC XYZ, a pesar de su nombre tranquilizador (que implica seguridad y control), carece de varios factores importantes. No considera la variación a lo largo del tiempo, pasa por alto la perspectiva del cliente y no reconoce la importancia de las combinaciones de productos en la cesta de compras del cliente.
El presentador, Conor Doherty, añade que si un cliente entra en una tienda con la intención de comprar un artículo específico y no lo encuentra, puede irse sin realizar ninguna compra, lo que conlleva una pérdida de ventas potenciales.
Vermorel critica el análisis ABC XYZ como un mecanismo de priorización de la atención, afirmando que no resalta los elementos verdaderamente relevantes en la gestión de supply chain. Reconoce que el enfoque Demand Driven Material Requirements Planning (DDMRP), que prioriza los productos en función de la divergencia de los buffers objetivo, es más razonable para la priorización de la atención.
Vermorel argumenta que el análisis ABC XYZ no es un enfoque útil para conciliar las complejidades de las supply chain. Sostiene que se basa en una serie de premisas defectuosas y que los intentos de arreglarlo solo acumularían “cinta adhesiva” sobre un método que avanza en la dirección equivocada. En su lugar, aboga por un enfoque que aprecie las complejidades y el dinamismo de las supply chain y la importancia de la perspectiva del cliente.
Vermorel luego se adentra en el papel de la tecnología en la gestión de supply chain, señalando que solo recientemente las máquinas se han vuelto lo suficientemente capaces como para automatizar las decisiones de supply chain. Esta evolución, señala, es relativamente lenta en comparación con los avances tecnológicos de la era moderna. Ilustra este punto con una analogía histórica: la transición de empresas que generaban su propia electricidad a comprarla de la red tomó alrededor de 40 años, a pesar de los beneficios aparentes de esta última.
La conversación cambia para centrarse en los enfoques ABC y ABC XYZ para los patrones de demanda, los cuales Vermorel considera deficientes. Critica su naturaleza estática y abstracta, argumentando que no representan con precisión los fenómenos del mundo real. Por ejemplo, ilustra que las categorías de productos pueden ser inestables a lo largo del tiempo y que su clasificación puede saltar de una categoría a otra en el ABC analysis, lo que resulta en un valor sustancial nulo para las empresas.
Continuando con este tema, Vermorel critica la matriz ABC XYZ por ser una mera ilusión de patrón, proporcionando a las empresas una falsa sensación de accuracy científica cuando la realidad es mucho más caótica y matizada. Argumenta que estas clasificaciones pueden ser arbitrarias, llevando a una simplificación excesiva de un espectro complejo y continuo de categorías de productos.
La discusión luego se centra en un enfoque probabilístico a la gestión de supply chain. Vermorel enfatiza el valor del probabilistic forecasting como herramienta para capturar y procesar una cantidad significativa de información, lo cual es útil para evaluar la incertidumbre. Este método, sugiere, es especialmente beneficioso porque permite una comprensión más matizada de los riesgos, facilitando a las empresas tomar decisiones más informadas sobre las cantidades de inventario.
Vermorel luego se adentra en el papel de la tecnología en la gestión de supply chain, señalando que solo recientemente las máquinas se han vuelto lo suficientemente capaces como para automatizar supply chain decisions. Esta evolución, comenta, es relativamente lenta en comparación con los avances tecnológicos de la era moderna. Ilustra este punto con una analogía histórica: la transición de empresas que generaban su propia electricidad a comprarla a la red tomó alrededor de 40 años, a pesar de los aparentes beneficios de esta última.
La conversación cambia para centrarse en los enfoques ABC y ABC XYZ para los patrones de demanda, ambos de los cuales Vermorel considera deficientes. Critica su naturaleza estática y abstracta, argumentando que no logran representar con precisión los fenómenos del mundo real. Por ejemplo, ilustra que las categorías de productos pueden ser inestables a lo largo del tiempo y su clasificación puede saltar de una categoría a otra en el análisis ABC, lo que no aporta un valor sustancial a las empresas.
Continuando con este tema, Vermorel critica la matriz ABC XYZ por ser una mera ilusión de patrón, otorgando a las empresas una falsa sensación de precisión científica cuando la realidad es mucho más caótica y matizada. Argumenta que estas clasificaciones pueden ser arbitrarias, lo que conduce a una simplificación excesiva de un espectro complejo y continuo de categorías de productos.
La discusión luego se dirige hacia un enfoque probabilístico de la gestión de supply chain. Vermorel enfatiza el valor del forecast probabilístico como una herramienta para capturar y procesar una cantidad significativa de información, lo cual es útil para evaluar la incertidumbre. Este método, sugiere, es especialmente beneficioso porque permite una comprensión más matizada de los riesgos, lo que a su vez permite a las empresas tomar decisiones más informadas sobre las cantidades de inventario.
Vermorel destaca dos beneficios del forecast probabilístico: proporciona información más detallada sobre el sistema y permite conectar la visión financiera con la anticipación del futuro. A diferencia de los forecast puntuales, los forecast probabilísticos se prestan a numerosos métodos que pueden reinterpretar la calidad de la decisión en términos de euros o dólares.
Vermorel argumenta que el enfoque de forecast ABC XYZ representa un callejón sin salida debido a su incapacidad para conectar los resultados métricos con los resultados financieros de manera sensata. Critica los intentos de cerrar esta brecha utilizando inteligencia artificial o machine learning, a los que compara con acoplar un motor de avión a un coche lento. Tales soluciones, sugiere, son innecesariamente complicadas y pasan por alto problemas fundamentales que podrían abordarse de manera más simple y efectiva.
El fundador de Lokad también enfatiza la importancia de la ingeniería de calidad en la gestión de supply chain. Advierte contra la complejidad excesiva de los sistemas de supply chain y alienta a centrarse en resolver problemas básicos. Por ejemplo, menciona el escenario hipotético de un supermercado que no tiene en stock una marca popular de pañales, lo que hace que los clientes se marchen, como un problema que no se solucionará mediante métodos de forecasting sobrecomplicados forecasting methods.
Vermorel aconseja a aquellos que no están seguros acerca del forecast probabilístico que desafíen sus suposiciones y cuestionen el razonamiento subyacente del método ABC XYZ. Sostiene que, aunque el método hace lo que se pretende (es decir, crear una matriz de productos agregados en clusters a lo largo de dos dimensiones), la lógica subyacente y la visión del método son defectuosas y probablemente estén desactualizadas.
Doherty sugiere que dos cosas aparentemente contradictorias pueden ser verdaderas simultáneamente: un método desactualizado puede funcionar durante un tiempo mientras que, al mismo tiempo, no es la mejor solución. Vermorel amplía este punto, insinuando que las empresas a menudo confunden “funcionar de alguna manera” con “funcionar de forma óptima”. Ofrece una analogía de transportar agua en cubos: aunque técnicamente funciona, existen alternativas mejores.
Tanto Doherty como Vermorel están de acuerdo en la importancia de reconocer la ambigüedad inherente a la gestión de supply chain y la necesidad de flexibilidad. La entrevista concluye con la advertencia de Vermorel de reevaluar y desafiar continuamente las prácticas establecidas de supply chain.
Transcripción completa
Conor Doherty: Bienvenidos de nuevo a LokadTV. Establecer objetivos adecuados de nivel de servicio y stock de seguridad es complicado, dada la cantidad de opciones en el mercado y los proveedores que intentan vender respuestas. Una de estas herramientas es el análisis ABC XYZ, y aquí para ayudarme a analizarlo, se encuentra el fundador de Lokad, Joannes Vermorel. Empecemos desde el principio: nivel de servicio, stock de seguridad, todas estas políticas de inventario. ¿Por qué son tan difíciles de establecer?
Joannes Vermorel: Hay una pluralidad de opciones que tratan de responder a estas preguntas. Lo que percibimos como subproblemas no son realmente subproblemas. Por ejemplo, hablemos de los niveles de servicio. Existe una suposición implícita de que elegir niveles de servicio es de alguna manera más simple, como una parte menor del problema completo. Si puedes gestionar eso, entonces también manejarías otras cosas. La suposición implícita es que hemos descompuesto el problema. El desafío consiste en escoger la cantidad adecuada de inventario que se debe producir, almacenar o asignar. Cuando dices “nivel de servicio” o “stock de seguridad”, estás dividiendo implícitamente el problema. Desafío la idea de que esta descomposición hace el problema más simple que el original. Cuando abordas el problema del nivel de servicio, enfrentas un desafío tan difícil y variable como tu punto de partida. Por lo tanto, no es de extrañar que establecer un nivel de servicio no sea más fácil que determinar directamente la cantidad real a reabastecer.
Conor Doherty: Entonces, si pudieras replantear el problema en tus propios términos, ¿cómo lo ves?
Joannes Vermorel: En un entorno de optimización de inventario, estamos tratando de tomar una decisión. La decisión es tangible. Se trata de cuántas unidades asignar, producir o comprar. Esta decisión tendrá consecuencias muy tangibles en tu supply chain. A diferencia de, digamos, decidir tener un nivel de servicio del 97% en esta tienda. Eso es una abstracción. No existe tal cosa como un nivel de servicio del 97%. Es potencialmente un artefacto útil, pero no es algo que tenga una contraparte tangible en tu supply chain. Cuando digo que es una abstracción, me refiero a que el nivel de servicio viene con montones de problemas abiertos que no tienes al tratar con una decisión. Si decido asignar 10 unidades a una tienda, no hay ambigüedad. Puedo medir, después de un tiempo, que decidí asignar 10, y 10 unidades se han movido efectivamente. Sin embargo, no ocurre lo mismo con un nivel de servicio. Si aparecen más clientes de lo esperado, en realidad no obtendré un nivel de servicio del 97%. Por eso lo considero un artefacto en lugar de algo tangible que refleje la realidad base de tu supply chain.
Conor Doherty: ¿Y cuánto de lo que acabas de describir se capta realmente utilizando una herramienta como el análisis ABC XYZ, o su predecesor, el ABC?
Joannes Vermorel: Los profesionales de supply chain quieren terminar con una decisión. Si solo miras los números y estimas lo que necesitas, es una forma de hacerlo muy de baja tecnología. Muchas tiendas aún operan de esa manera. Es todo una estimación aproximada, y funciona. Sin embargo, este método parece burdo, por lo que la gente intenta refinarlo. Luego se encuentran con un problema: tienen muchos productos, y se dan cuenta de que la persona que revisa la lista de productos no volverá a analizar el caso de cada producto cada día. Por ello, necesitamos algún tipo de mecanismo de priorización de la atención. Una manera es ordenar los productos de mayor a menor volumen de ventas. Puedes comenzar por los que tienen mayor volumen y bajar, decidiendo revisar los 10 primeros diariamente, la mitad de la lista semanalmente y la lista completa solo una vez al mes. Eso es algo que podrías hacer, y básicamente esa es la esencia del ABC. Pero lo interesante del ABC XYZ es que es básicamente una variación de esto. Es un mecanismo de priorización de la atención destinado a los humanos.
Ahora, en este punto, creo que deberíamos cuestionar qué problema estamos tratando de resolver. Comenzamos con el problema de querer escoger la cantidad adecuada de inventario para ser asignada, producida o comprada. Eso es algo muy tangible y directo. Sin embargo, parece que pasamos de este problema a otro, que era escoger el nivel de servicio, además de elegir los stock de seguridad.
Luego entramos en otro problema más, que es la priorización de la atención. El patrón que estoy empezando a ver es algo que, en software, se conoce como Yak shaving. Es decir, querías hacer algo muy directo, como, “Quiero actualizar Windows 10 a Windows 11.” Pero luego terminas haciendo algo aparentemente no relacionado, como abrir computadoras, cambiar tuercas y pernos en las computadoras. Tenías un objetivo muy directo en mente, pero te has desviado para hacer algo solo tangencialmente relacionado con la tarea original.
Eso es exactamente lo que estamos haciendo aquí con nuestro problema de optimización de inventario. Comenzamos con un problema que era “Vamos a escoger la cantidad adecuada para asignar, producir o comprar.” Y ahora, estamos tratando de resolver un problema mucho más complicado: “¿Cómo debería organizar realmente la información para que sea presentada por este humano?”
Sin embargo, este es un problema muy complicado. Y no está absolutamente claro que resolver este problema sea la mejor manera de responder a nuestra pregunta original. Por ejemplo, supongamos que tenemos dos números y queremos sumarlos. ¿Debería realmente pensar en diseñar un sistema que pueda presentar los pasos intermedios a un humano para verificar que la suma es correcta? Eso es órdenes de magnitud más complicado que simplemente diseñar un circuito para realizar la suma.
Mi crítica aquí al enfoque ABC XYZ es que partimos de un problema que parecía muy complicado. En realidad, lo es bastante. Tratamos de descomponer este problema, pero nos hemos desviado. Ahora, estamos intentando resolver otro problema que es casi como la psicología empírica: cómo organizar la priorización adecuada de la atención para los humanos. Pero si vas a usar una computadora para resolver este problema en primer lugar, ¿por qué necesitas priorizar la atención del humano? Simplemente deja que la computadora resuelva el problema por ti.
Conor Doherty: Si puedo presionarte un poco en eso, porque seguí, pero como representante del público, entiendo que el análisis ABC se basa generalmente en el volumen de ventas o los ingresos por ventas. Descomponemos nuestros SKUs en tres categorías: A, B, C. XYZ es una segunda dimensión, generalmente la varianza de la demanda. Y si entendí correctamente, esencialmente estabas desestimando la cuantificación de la varianza de la demanda como una preocupación tangencial. ¿Podrías explicar por qué?
Joannes Vermorel: Comenzamos con un problema que era: queremos tener la decisión correcta de inventario expresada como una cantidad. Nos dimos cuenta de que si involucramos a un humano en el proceso, el humano tiene una capacidad limitada para procesar información. Entonces, necesitamos priorizar eso. Si simplemente hacemos una priorización básica de mayor a menor volumen de ventas, terminamos con el ABC.
Una vez que tenemos eso, necesitamos apoyar aún más a este operador humano ayudándole a tener una idea de cuál sería el stock de seguridad y el nivel de servicio apropiado para cada una de estas líneas. Pero esto es solo descomponer el problema de una manera que sea adecuada para que la mente humana lo procese.
El XYZ es para añadir otra dimensión que va a ser sobre el grado de ruido o variación en esta lista. Entonces, tomamos, digamos, el primer diez por ciento de los productos de mayor venta, y luego queremos dividir esta lista en segmentos que representen el grado de ruido ambiental para cada producto. Así que, en lugar de tener solo una lista de segmentos, tienes una matriz. Eso es el ABC XYZ para ti.
Pero esto es fundamentalmente algo diseñado como un método para la mente humana. La pregunta que deberías hacerte es: si quiero que una máquina gestione el proceso de principio a fin, ¿hay algún beneficio en esta segmentación? ¿Me ayuda a resolver el problema?
En absoluto. Los críticos presumiblemente señalarían que al crear, en general, una matriz de nueve categorías, puedes identificar la varianza y las SKU que más contribuyen. Luego, puedes establecer niveles adecuados, como cuánto stock de seguridad quiero para eso, ¿cuál es el nivel para cada SKU? Existe una variación entre AX y CZ, por ejemplo. Supongamos por un momento que esas dos dimensiones son informativas. Pues, desde la perspectiva de una computadora, ¿por qué considerarías trozos discretos? ¿Por qué tener media docena de subgrupos para el volumen y otra media docena para la varianza? Simplemente podrías usar los rangos, de modo que puedas clasificar los productos de mayor a menor volumen de ventas. Puedes tener un número que te dé el rango exacto dentro de tu portafolio para el volumen. Luego, podrías hacer lo mismo para la varianza.
Los rangos te ofrecen estrictamente más información. Si miras tus clases en el sentido ABC o XYZ, la clase es solo una aproximación del rango. Esta aproximación sirve para un único propósito: ser más digerible para la mente humana. Pero desde la perspectiva de una computadora, simplemente conservas el rango. El rango te ofrece estrictamente más información. La clase es una representación con pérdida; pierdes mucha información. Nada bueno surge de esta pérdida de información.
Si dijéramos que esas dos dimensiones son relevantes, no estoy diciendo que sean irrelevantes. Solo estoy diciendo que, en lo que respecta a la descomposición dimensional de tu problema, esas dimensiones son arbitrarias. No está muy claro que sea la mejor manera de abordarlo. Si solo miras esas dos dimensiones y preservas los rangos, tendrás algo que, como indicadores, creará un par de rangos para cada producto. Este par de rangos es estrictamente más informativo que tu par de clases.
No es solo un método que se basa en que el volumen y la varianza sean de interés; está diseñado desde el principio para que la mente humana procese esta información. Y ahí es donde cuestiono: ¿por qué querrías eso en primer lugar? Tenemos computadoras súper poderosas. ¿Crees que hay algo que requiera el alma humana para tomar esas decisiones de inventario?
Si observamos una tienda que tiene 10,000 productos, todas esas cosas se rotan cada día. ¿Crees que hay algo para la persona que va a dedicar, en promedio, algo como cuatro segundos por producto? ¿Habrá algo como una chispa de genialidad inyectada en eso?
No estoy cuestionando que la mente humana pueda hacer cosas increíbles cuando se le da tiempo y recursos. Si tomas a un Albert Einstein y le das meses o años, puede hacer cosas que son increíbles, muy por encima de lo que podemos hacer con máquinas. Pero este no es el contexto en el que operamos en la supply chain. La gente está bajo una presión inmensa para simplemente hacer las cosas.
Y así, si observamos cuántos segundos de capacidad cerebral podrás asignar por SKU, generalmente es muy poco. Para la mayoría de las industrias, se trata de una cuestión de segundos por SKU por día. Hemos discutido las categorías, pero no hemos abordado cómo se calibran las categorías. Eso es el resultado de múltiples mentes humanas, hasta donde yo entiendo.
Pero si ves que puedes tener las clasificaciones y ahora puedes decidir con percentiles que vas a tener una división, puedes decir que la categoría A llega hasta el percentil 10. Es el top 10 o el percentil A es el dos por ciento superior, porque cuando trazas todos los productos desde el más vendido hasta el menos vendido, lo que obtienes es casi invariablemente una curva de Zipf, como he mencionado en una de mis conferencias. Esta curva es continua, sin mesetas ni divisiones discretas, es completamente suave.
Es similar a aproximar un círculo en los viejos videojuegos, donde tenías que aproximar el círculo con un polígono. Si hacías un octágono, obtendrías un círculo de baja resolución. Al añadir más lados, te acercas visualmente a un círculo. Si tienes miles de lados, obtienes algo que se parece mucho a un círculo.
Pero lo que estoy viendo aquí es como si estuvieras intentando aproximar un círculo con un cuadrado. Si tienes cuatro clases, estás aproximando tu segmento con un cuadrado. Si tienes cinco, tendrás un pentágono, y así sucesivamente. Cuantas más clases añadas, mejor será tu aproximación. Pero si eliminas la aproximación por completo, te quedas con la clasificación de cada producto.
Así que, diría, no introduzcas grupos, mantente con las clasificaciones. Si asumes que el volumen y la varianza son dimensiones útiles, lo cual cuestiono, entonces esas clasificaciones te dan una versión más informativa de estas dos dimensiones. Cualquier mecanismo de agrupación que introduzcas degradará esta información.
Conor Doherty: Eso transita de manera muy fluida hacia la perspectiva de cesta, que es algo en lo que estoy realmente interesado, en términos de abordar este problema. Trata los SKUs en combinación en lugar de de forma aislada. ¿Cómo encajaría eso en esta conversación?
Joannes Vermorel: Comenzamos con un problema simple, al menos simple en su expresión: elegir la cantidad correcta de inventario para asignar, producir, comprar o guardar. Nos hemos desviado por un método ampliamente utilizado que implica el nivel de servicio y los safety stocks, pero realmente cuestiono la validez de estos métodos.
La perspectiva del nivel de servicio proviene de supuestos históricamente simplistas sobre la demanda futura, donde forecast un error normalmente distribuido sobre la demanda, lo mismo para el lead time. Sin embargo, la incertidumbre no está distribuida normalmente, pero ese es otro asunto.
Una vez que tenemos nuestra distribución normal, que es una gaussiana, elegimos un parámetro, el quantile que da el mismo efecto que el nivel de servicio. Eso me dará una cantidad objetivo que debería mantener en mi inventario. Este safety stock es el resultado de la diferencia entre la media y el quantile cuando se observa una distribución unidimensional.
Pero debido a que es una distribución normal, se extiende al infinito en ambas direcciones. El modelo clásico de safety stock te da algunos resultados extraños, como lead times negativos y ventas negativas, lo cual es muy raro, pero son parte del modelo.
Esto significa que puedes elegir un valor de nivel de servicio que te puede dar cualquier valor objetivo de stock entre el infinito positivo y el infinito negativo, dependiendo de cómo elijas tu nivel de servicio. Esto no es teórico, es literalmente lo que las matemáticas te indican. Así que, siempre que tengas una gaussiana, eliges tu quantile, y ese puede llegar a cualquier corte final, entre el infinito negativo y el infinito positivo.
Conor Doherty: ¿Puedes explicar el concepto de nivel de servicio en la gestión de la supply chain?
Joannes Vermorel: Al considerar los niveles de servicio, es crucial entender que el rango puede abarcar desde el infinito negativo hasta el infinito positivo. Efectivamente, tu nivel de servicio es idéntico a la cantidad que decides reponer. Por cada cantidad que elijas reponer, existe un nivel de servicio correspondiente entendido como una distribución normal. No es solo una analogía; es una equivalencia matemática. Para cada cantidad de la que eres consciente, si tienes un modelo de safety stock, habrá un nivel de servicio correspondiente en este contexto de distribución normal.
Ahora, la gente podría tener la ilusión de que, debido a que el nivel de servicio se expresa como un porcentaje, es más simple o fácil. Eso es una ilusión. Lo único algo bueno de ello es que ayuda a normalizar la escala porque todos tus productos tienen volúmenes y viabilidades variables. Expresar tu cantidad a asignar, comprar o producir como un objetivo de nivel de servicio la hace independiente del volumen y del sesgo. Sin embargo, ese es un argumento débil.
El término “nivel de servicio” puede ser engañoso porque la gente puede pensar que un nivel de servicio muy alto siempre es percibido positivamente por los clientes. Eso es un malentendido. Las matemáticas del modelo de safety stock no dicen nada acerca de la satisfacción del cliente. La gente tiende a pensar que si apuntan a un nivel de servicio alto, debe ser bueno para los clientes. Pero eso es un completo non-sequitur.
Conor Doherty: ¿Puedes profundizar más en por qué esta percepción del nivel de servicio podría ser un problema?
Joannes Vermorel: El problema surge de la noción ingenua de equiparar la calidad del servicio con un problema unidimensional. Esto podría haber sido cierto en el siglo XVIII para una panadería que vendía un producto, como el pan. Esa perspectiva unidimensional todavía existe en algunos mercados de commodities.
Pero la mayoría de las supply chains modernas manejan miles, si no decenas de miles de productos. Cuando multiplicamos el número de SKUs por la cantidad de ubicaciones, fácilmente podemos llegar a decenas de miles, cientos de miles o incluso millones de SKUs para grandes empresas. Este número significativo de SKUs desafía el análisis unidimensional.
Una diferencia en magnitud puede convertirse en una diferencia cualitativa. Las propiedades emergentes que obtienes cuando tienes toneladas de productos son muy diferentes de lo que tenías cuando solo había un producto.
Conor Doherty: Cuando mencionas propiedades emergentes, ¿podrías ampliar un poco? Parece un detalle importante.
Joannes Vermorel: Sí, por supuesto. Un ejemplo de propiedad emergente es cómo una molécula de agua se comporta de manera diferente dependiendo de su estado – ya sea gas, líquido o sólido. Si quisieras explicar todos los comportamientos que se pueden observar en el agua, tomaría semanas o meses. No es tan simple como elegir una molécula y explicarla en 30 minutos, lo cual podría ser posible con estudiantes de secundaria. El mismo principio se aplica cuando se trata de una multitud de SKUs en una supply chain, en lugar de solo uno. Requiere un análisis más complejo.
Existe el peligro de pensar que una vez que entiendes todo sobre una molécula de agua, sabes todo sobre el agua misma. Eso no es del todo correcto. De manera similar, cuando dices, “Tengo un modelo que explica un producto, y ahora puedo explicar mi supply chain que está compuesta por muchos productos”, instaría a la precaución. Hay muchas cosas que no son concebibles en tu configuración de un solo producto. Este es solo un ejemplo simplificado que no refleja las verdaderas complejidades de tu supply chain.
Incluso si consideramos solo un producto, hay variaciones a lo largo del tiempo. Por ejemplo, si consideras un producto en aislamiento, su clasificación fluctuaría ampliamente con el tiempo. La mayoría de los productos tienen un ciclo de vida en el que comienzan de manera lenta, aceleran, se estabilizan y luego declinan en algún punto. Entonces, este modelo unidimensional, que mira el volumen de ventas como si fuera estático, es incorrecto. Es dinámico, y esa es otra dimensión que a menudo se pasa por alto.
Parte de la calidad del servicio es este comportamiento dinámico, dependiente del tiempo. Si tomamos el ejemplo de una panadería, los clientes esperan encontrar pan todos los días. Cualquier faltante de stock es una ruptura de este contrato social.
Por el contrario, si eres una panadería poco confiable que solo tiene pan un día de cada dos, pero tu pan es mucho más barato que el de la competencia, los clientes aún podrían estar contentos contigo. Tienen una expectativa incorporada de tu servicio.
La calidad del servicio no es algo que esté en tu supply chain, sino que está fundamentalmente en la mente de tus clientes. No todos estarán de acuerdo con eso, por lo que es inconsistente. Si empezamos a agregar estas expectativas, puede ser engañoso.
Cuando agregamos múltiples productos a la mezcla, entra en juego otra dimensión. Si los clientes desean múltiples productos, tenemos que ver si pueden encontrar una combinación que tenga sentido para ellos. Un error común es asumir que si todos mis productos tienen un nivel de servicio 100%, entonces todas las combinaciones de productos también tendrán un nivel de servicio del 100%. Esto es cierto solo si nunca hay faltante de stock, lo cual es casi imposible.
Cuando comienzas a examinar la probabilidad de disponibilidad o indisponibilidad de combinaciones de productos, terminas con una perspectiva muy diferente de lo que un modelo simple de safety stock/nivel de servicio puede ofrecerte.
Solo para ilustrar esto, tomemos el ejemplo de un supermercado que tiene un nivel de servicio del 95% para todos sus productos, lo cual es bastante bueno. En Europa, hay un promedio de un 7% de faltante de stock en los estantes, así que un nivel de servicio del 95% es bastante bueno. Si tienes un cliente que quiere 20 productos, lo cual ni siquiera suele ser una cesta grande, la probabilidad de que al menos uno de esos productos falte es probablemente alta. Necesitaría hacer los cálculos, pero asumiendo una disponibilidad independiente, probablemente tengas menos del 10% de probabilidad de encontrar todo.
Así que partimos de lo que parece ser muy bueno desde una perspectiva de safety stock y demanda, dando la impresión de un nivel de servicio superior al 95%. Pero desde la perspectiva del cliente, probablemente menos del 10% de los clientes que entran en la tienda encontrarán exactamente lo que buscaban. Estas dos cosas pueden ser ciertas al mismo tiempo. Puedes tener un nivel de servicio superior al 95%, y sin embargo tener a menos del 10% de tus clientes saliendo de la tienda satisfechos.
¿Qué pasa con los productos que tus clientes esperan que no forman parte de tu surtido? El nivel de servicio es ciego en ese sentido. Si hay un producto que es muy demandado, pero simplemente no lo tienes, no se contará como un faltante de stock o un nivel de servicio del cero por ciento—simplemente no se cuenta en absoluto.
Por ejemplo, si voy al extremo e imagino una tienda llena de productos que a nadie le interesan, esa tienda tiene, por definición, un nivel de servicio del 100%. Nadie quiere estos productos, pero están en exhibición, por lo que tienes un nivel de servicio perfecto. Cuantos más productos tengas que a nadie le interesan, mejor será tu nivel de servicio. Eso es un problema completamente mecánico, un problema de estos modelos matemáticos.
Debemos ser muy cautos, especialmente cuando estos modelos tienen nombres que suenan positivos como “Safety Stock.” Existe una transición non-sequitur donde la gente asume que, debido a que es un modelo matemático con un buen nombre, debe ser bueno para los clientes, pero este es un salto sin justificación.
Conor Doherty: Para resumir lo que has dicho, es crucial entender nuestra crítica de ABC XYZ desde una perspectiva de cesta. Los clientes no tienden a comprar de forma aislada. No tener acceso a un cierto SKU puede causar que se marchen de la tienda sin comprar nada, ni siquiera los otros artículos de alta calidad. Esto significa que la tienda pierde todas las ventas potenciales, no solo el SKU individual.
Joannes Vermorel: Sí, y si volvemos a la intención original, se supone que ABC XYZ es un mecanismo de decisión de prioridad de atención para los humanos. Pero, ¿es un buen mecanismo para priorizar la atención? Yo diría que absolutamente no. Como mecanismo de priorización, es pobre—no destaca nada verdaderamente relevante.
Y aunque no soy muy fan de DDMRP, admito que, como mecanismo de priorización de la atención, la forma en que DDMRP define los buffers y prioriza los productos frente a la divergencia de los buffers objetivo tiene más sentido que ABC XYZ. Al menos, es medianamente decente en este aspecto. ABC XYZ no lo es.
Conor Doherty: ¿Existe alguna manera de reconciliar ABC XYZ como una herramienta de priorización de atención con estas preocupaciones que acabamos de describir, particularmente la perspectiva de cesta?
Joannes Vermorel: No, no lo hay. Comienzas con una serie de premisas erróneas. Primero, dices que quieres tener un humano en el circuito, lo cual cuestiono. Luego cometes un segundo error con un modelo mono-producto, mono-SKU con una suposición de distribución normal incorporada. Eso es muy malo. Conduce a resultados catastróficos. Luego, si haces otra suposición errónea de tener una discretización de tu espacio, no añade ninguna información, de hecho, pierde información. Nos hemos desviado con tensiones que solo empeoran cada vez más.
Ahora nos damos cuenta de que tenemos muchos defectos que se han acumulado. Estamos intentando repararlos con lo que podría compararse a cinta adhesiva, reintroduciendo variables que nos dan el ABC XYZ. Podríamos intentar encontrar otras formas de arreglar el método, pero en realidad, estamos yendo en la dirección equivocada. Cada paso adicional que das es simplemente añadir más cinta adhesiva. No es buena ingeniería.
El proceso que estás creando simplemente no es muy bueno. Añadir más parches no lo hará mejor. La única solución es volver atrás y revisar las suposiciones que se hicieron. ¿Son realmente válidas? Si no, deberías reconsiderar por completo el enfoque que estás adoptando.
Si volvemos a nuestro punto de partida, comenzamos con un problema tangible: tomar decisiones para el inventario. Pero a lo largo de nuestro camino para abordar el problema, hicimos muchas suposiciones, y ahora estamos enfrentando las consecuencias de esos errores. Una vez que has cometido muchos errores, no puedes simplemente hacer una segunda demostración para solucionar tu problema.
Esto es similar a cuando le preguntas a un matemático si una segunda demostración puede arreglar una incorrecta. La respuesta es no. No puedes solucionar tu problema con una segunda demostración. La única forma es descartar tu demostración incorrecta, hacer el trabajo nuevamente, y luego podrás tener un camino correcto. Es lo mismo con el software. Si tienes suposiciones incorrectas, no puedes arreglarlas después. Tienes que volver al punto en el que cometiste un error, corregirlo, y luego continuar en tu camino.
Muchas compañías han construido prácticas enteras bajo suposiciones incorrectas. Debido al hecho de que las supply chain son muy opacas y complejas, las personas pueden operar durante décadas sin darse cuenta de nada mejor.
Solo han pasado 20 años desde que existieron máquinas de computación lo suficientemente capaces para automatizar las decisiones de supply chain de manera económica. Las computadoras modernas, lo suficientemente capaces de lidiar con la complejidad de una supply chain moderna, no han existido desde siempre. Han existido por un tiempo relativamente largo, pero no durante siglos. Para muchas grandes compañías que operan supply chain, esta automatización solo se volvió una posibilidad hace 20 años.
Para darles un punto de comparación, tomó aproximadamente 40 años en EE.UU. y en Europa pasar de empresas que producían su propia electricidad a comprar electricidad de la red. Adoptar una tecnología puede ser un proceso lento. A finales del siglo XIX y principios del siglo XX, tanto en Europa como en EE.UU., se tardó aproximadamente 40 años en pasar de generar electricidad internamente a comprarla de la red.
Así que, en términos de escala temporal, el desarrollo de máquinas capaces de realizar todos estos cálculos sin la intervención humana en cada paso del proceso es algo relativamente reciente.
Conor Doherty: Regresemos un poco. Hablaste sobre el enfoque estático del ABC y, por extensión, ABC XYZ. ¿Puedes ampliar un poco sobre ambos enfoques, o cualquier enfoque alternativo, respecto a los patrones de demanda?
Joannes Vermorel: Bueno, estamos clasificando nuestros productos según dos dimensiones: la media, o volumen de ventas, y la varianza. Pero, de nuevo, son abstracciones. No son reales. No existe algo como un volumen de ventas instantáneo. Eso no existe. Esa es la diferencia entre decisiones tangibles, como mover 10 unidades, y decir: “Estos productos, en promedio, venden 0.5 unidades al día.” No existe tal cosa. Lo único que se puede decir es que, en las últimas dos semanas, has vendido alrededor de siete unidades, lo que se aproxima a 0.5 unidades al día.
Conor Doherty: ¿Cómo evalúas este volumen en términos de gestión de supply chain?
Joannes Vermorel: Este volumen y la varianza son indicadores estadísticos. La cuestión es cuán estables son a lo largo del tiempo. Hemos realizado numerosas pruebas en Lokad, y hemos observado que para la mayoría de los negocios, incluso cuando solo miramos el análisis ABC, una porción significativa de productos cambiará de categoría de un trimestre a otro. Si optas por algo más preciso, como mensual, el número de productos que cambiarían de categoría aumentaría significativamente.
Conor Doherty: ¿Entonces hay problemas con este método de clasificación?
Joannes Vermorel: Sí, el problema con la clasificación, especialmente cuando profundizas en el análisis ABC o XYZ, es que multiplicas la cantidad de cambios de categoría de producto. Si duplicas el número de categorías, verás que entre el 80 y el 90 por ciento de los productos cambian de categoría de un trimestre a otro. Esto no proporciona información valiosa sobre tu negocio; es simplemente ruido.
Estos indicadores eran como basura porque crean una ilusión de patrón. Puede parecer científico, pero en esencia están vendiendo una ilusión. Organizar productos en una matriz puede parecer matemático, pero son solo rangos arbitrarios determinados por un comité.
Por ejemplo, cuando clasificas a las personas como ricas, promedio, de clase media y pobres, estás tratando con un espectro que es continuo. Tus límites de corte son completamente arbitrarios. Este mismo problema existe cuando clasificas tus productos.
Conor Doherty: Entonces, ¿cuál es tu perspectiva sobre un enfoque probabilístico?
Joannes Vermorel: El enfoque probabilístico es difícil de comparar porque es un cambio de paradigma completo. La primera diferencia importante es si necesitamos humanos en el proceso o no. El Supply Chain Quantitativa dice que no. Queremos tener lo mejor que el hardware y software de computación moderna pueden ofrecer para la supply chain. Si involucra humanos o no, es algo relativamente incidental.
Así que, si la supply chain involucra humanos o no, es algo incidental. Los forecast probabilísticos son muy interesantes en este sentido porque proporcionan una cantidad enorme de información. Hemos pasado de clases, que pierden mucha información, a rangos, que ofrecen una medición puntual. Pero los forecast probabilísticos ofrecen un tipo diferente de precisión. En lugar de un indicador de punto único, abrazamos la incertidumbre, representando la incertidumbre ambiente que tenemos sobre el sistema. ¿Por qué importa? Las computadoras no tienen los cuellos de botella de la mente humana y pueden procesar enormes cantidades de información. Este método ayuda a recopilar mucha más información sobre tu sistema, tu supply chain, tus productos y más, en comparación con los indicadores puntuales.
Sí, esa es una forma de verlo desde una perspectiva informacional, lo que has recopilado en términos de información pura sobre tu situación. Otro ángulo para ver el forecast probabilístico es desde la perspectiva de la gestión de riesgos. En última instancia, necesitamos traducir nuestra decisión a algún tipo de análisis de riesgo. Estamos haciendo toda esta optimización de inventario para decidir las cantidades de inventario que queremos asignar, producir y comprar. La justificación detrás de estas decisiones debería estar en términos de Euros o dólares de error y recompensa.
Recuerda, la misión de una compañía es ser rentable. Sí, hay muchas otras cosas por las que una compañía debería esforzarse, pero sin ganancias, la compañía dejará de existir. Para las compañías que operan supply chain, los márgenes son estrechos, y la supervivencia no está garantizada. Muchas grandes compañías quiebran cada año. Por lo tanto, necesitamos evaluar las decisiones en términos de Euros y dólares.
Así que, los forecast probabilísticos proporcionan más información sobre el sistema, pero también allanan el camino para mecanismos que te permiten vincular tu visión financiera con tu anticipación del futuro. Permite un conjunto más rico de información y proporciona métodos adecuados para expresar la calidad de tus decisiones en Euros y dólares.
Por otro lado, métodos como ABC XYZ son, en cierto modo, un callejón sin salida. No proporcionan una manera efectiva de cerrar la brecha entre estas métricas y el resultado financiero deseado. Siempre puedes idear soluciones complejas, pero estos métodos se reemplazarían mejor por algo que evite por completo la Matriz ABC XYZ.
Conor Doherty: Algunas personas argumentan que podrías aprovechar la IA o el machine learning para cerrar la brecha que acabas de describir. Sugieren que la IA podría aplicar efectivamente un “gran pedazo de cinta adhesiva” a las métricas ABC XYZ para lograr lo que estás diciendo.
Joannes Vermorel: Estás implicando que tenemos un método que genera una matriz inadecuada para el propósito, resultando en un input de mala calidad. Luego tratamos de conectar esto con nuestro verdadero objetivo. Sin embargo, la señal de entrada es tan defectuosa que necesitaríamos una solución increíblemente sofisticada para cerrar esta brecha. Eso no es eficiente ni efectivo. A menudo, la gente se refiere a esto como un enfoque de “cinta adhesiva sobre esteroides” donde el objetivo es conectar algo que es subóptimo a una salida y cerrar esta brecha utilizando analíticas avanzadas. Esto es similar a decir, “Mi coche es demasiado lento, vamos a diseñar un motor de avión sobre mi coche porque mi coche es demasiado lento.” Aunque esto podría hacer que tu coche fuera más rápido, no es la solución correcta. Es una ingeniería excesivamente complicada.
Si tu coche no es lo suficientemente rápido, tal vez deberías reconsiderar si el motor que tiene es lo suficientemente potente o si tal vez hay demasiado peso en el coche debido a las cosas que has añadido. La solución no siempre debería ser aditiva. Por ejemplo, fijar un motor de avión encima de un coche para hacerlo más rápido no es una ingeniería sensata.
A los humanos les resulta increíblemente difícil conectar el valor de estas métricas con los costos asociados. Esto a menudo conduce a la invocación de superpoderes analíticos como la IA o el machine learning. A menudo se consideran como magia, como si se invocara a un semidiós del data analysis para realizar algo casi mágico por nosotros.
Aunque hay casos en los que estos métodos avanzados pueden funcionar, yo argumentaría que es una complejidad innecesaria. Es como crear un artilugio que es demasiado complicado para lo que realmente se necesita. La ingeniería de calidad se trata de crear cosas que sean simples y mantenibles, no tan complicadas como puedan ser.
Si introduces una complejidad excesiva, podrías pasar más tiempo depurando un algoritmo de machine learning súper avanzado que apenas comprendes en lugar de enfocarte en problemas básicos. Por ejemplo, tu supermercado podría no vender la marca de pañales que los padres desean. Los padres primerizos podrían alejarse de tu tienda porque no ven la marca que esperan, y tu análisis de nivel de servicio o sistema de IA no te lo dirá.
Conor Doherty: Para concluir, ¿qué les dirías a las personas que siguen siendo defensoras de ABC XYZ pero que están abiertas a ser empujadas hacia el siguiente paso?
Joannes Vermorel: Les aconsejaría que revisiten sus suposiciones y desafíen sus visiones que sustentan sus requerimientos. No se dejen engañar por el argumento de la tradición. Solo porque algo se ha hecho durante décadas no significa que siga siendo relevante. Hace dos siglos, el trabajo número uno en París consistía en transportar agua en cubos. Eso, obviamente, ya no es el caso hoy en día.
Cuando algo se ha hecho desde siempre, probablemente tuvo cierto valor bajo determinadas condiciones. No debería descartarse sin una consideración cuidadosa. Pero las suposiciones subyacentes al método necesitan ser revisadas. Cuando hablo con personas que promueven ABC XYZ, las animo a desafiar las suposiciones subyacentes al método. No estoy diciendo que el método sea incorrecto, sino que el razonamiento y la visión que lo sustentan podrían estar defectuosos u obsoletos. En eso es en lo que deberías enfocarte.
Conor Doherty: Bueno, si puedo añadir un pequeño pensamiento al final de eso, diría personalmente que, en términos de tolerancia a la ambigüedad, dos cosas aparentemente contradictorias pueden ser verdaderas simultáneamente. Por ejemplo, quizás hayas usado ABC o ABC XYZ durante décadas y haya funcionado para ti. Eso puede ser cierto, pero eso no dice nada sobre la afirmación de que existen métodos mejores. Realmente no habla de la corrección del método. Así que, dos cosas pueden ser verdaderas simultáneamente y para algunas personas eso resulta algo difícil de comprender.
Joannes Vermorel: Entiendo eso. Es una confusión de factores y está en todas partes. Porque la realidad es que, cuando dices que el ABC o ABC XYZ te ha funcionado, lo cuestiono. ABC XYZ no te da las cantidades finales de reorder. El problema es que hay otros pasos después de eso para llegar a ello y puede que intervengan toneladas de juicios humanos. Empezamos con la idea de tener solo al gerente de tienda que mira una única spreadsheet, mi volumen de ventas, y qué es lo que elijo para mis productos. Luego conectamos en el medio de esta matriz. Pero si tu proceso es crear una matriz elegante, fingir que eres un científico, lucir inteligente frente a tus colegas, luego descartar la matriz y volver a tus antiguos métodos, muy bien podrías terminar diciendo que te funcionó muy bien.
Podría darle a tu colega una justificación, podría darte una especie de ilusión, un autoengaño sobre si esta parte de tu trabajo realmente estaba contribuyendo a algo. Al final, estábamos haciendo algo completamente diferente para llegar a la única decisión que importa, que es la decisión final de inventario. Debido a que las supply chain son muy complejas y opacas, puedes hacer muchas cosas en el medio que no sirven para nada y que aparentemente cumplen un gran propósito.
Si observas alrededor del mundo, hay muchas tribus primitivas que tienen rituales para invocar la lluvia. No creo que hoy en día haya muchas personas que digan que bailar para la lluvia impactará el clima y mejorará el rendimiento de tus cultivos. Pero la gente diría, “Hemos bailado para el clima durante miles de años, y luego hubo lluvia, y luego tuvimos una buena cosecha.”
Sí, es así, pero quizás hubo pasos en lo que estabas haciendo que eran completamente inútiles. Al final, eso es lo que realmente necesitas evaluar. ¿Contribuye este paso realmente tanto como crees que lo hace a la calidad del resultado final, que es una decisión tangible, no los tipos de artefactos que se generan en el camino? ¿Existen métodos alternativos que serían mejores? Porque, en última instancia, si tienes algo que te funciona en el sentido de que funciona en absoluto, estamos volviendo a transportar agua en cubos. Ciertamente funciona, pero hay alternativas que son enormemente mejores.
Conor Doherty: Bueno, eso es exactamente a lo que me refería. Las dos cosas pueden ser verdaderas simultáneamente. Puedes transportar agua en un cubo, pero al mismo tiempo, también podrías trasladarla en un bote o en algo significativamente mayor, es a lo que me refiero. Pero, de nuevo, dos cosas pueden ser verdaderas simultáneamente, y reconocer que a menudo existe ambigüedad entre conceptos o la imprecisión de la que a menudo hablas puede ser difícil de comprender para la gente.
Joannes Vermorel: Sí, y esto es exactamente lo que necesitas cambiar. Cuando la gente dice, “me funcionó,” en estas prácticas que veo en supply chain, realmente necesitas cuestionar qué quieren decir con “me funcionó”. ¿Qué significa eso? No es una afirmación falsa per se, pero si lo único que tienes que decir es “fue algo correcto,” no es suficiente.
En una supply chain moderna y distribuida donde tu percepción humana es muy limitada, podrías decir que la validez de esta afirmación “me funcionó” no es en absoluto la misma si estás tratando con un sistema pequeño, por un lado, o con una supply chain súper compleja que no puedes observar en su totalidad. De nuevo, si hay un gerente de tienda que maneja una sola estantería y dice, “Sabes qué, me parece bien. Miro esta estantería y digo que esto es exactamente lo que mis clientes quieren”, yo confiaría en su juicio. Eso es porque es algo que está frente a ti, tienes una noción del sistema. Puedes ponerte en el lugar de tus clientes. Usas tu empatía, mira eso. Tienes toda la información relevante justo frente a ti. Puedes emitir un juicio de valor y este juicio es, muy probablemente, razonable, asumiendo que esa persona actúa de buena fe, etc. Ahora, ¿es esta el tipo de situación que enfrentas en las supply chain?
Yo diría que, por lo general, nada en absoluto. La situación típica de supply chain es que eres un empleado en una oficina a mil kilómetros del lugar donde se enviarán y consumirán las mercancías. No estás mirando el estante, estás mirando una hoja de cálculo de Excel. Tienes docenas de productos de los cuales solo has visto los códigos de producto. La mayoría de las veces, nunca has visto los productos en persona. E incluso si has visto algunos, ciertamente no los has visto todos. Estás atendiendo a clientes que nunca has visto, y los datos se presentan a partir de un sistema que es súper complejo y que apenas entiendes, como tu ERP y cosas por el estilo. Tu racionalidad es que intentas utilizar tu propia racionalidad humana para lidiar con algo que es solo una parte ínfima del panorama.
Cuestiono mucho en qué medida se puede decir que funcionó. Podría usar mi propio juicio para decirte que funcionó. Sabes, si es algo muy localizado, donde ves la imagen completa, diría: “Sí, tal vez no puedas explicarme por qué funciona, pero confío en tu juicio.” Si estás observando algo que no representa ni siquiera el uno por ciento del total, y me dices que funcionó, yo digo que no. No lo ves, simplemente hace lo que estás acostumbrado a ver en ese uno por ciento. Ahí es cuando dices que funcionó. Simplemente estás diciendo que lo que tienes frente a tus ojos no se desvía de lo que te has acostumbrado a ver de ese uno por ciento del rompecabezas que estás observando.
Conor Doherty: Joannes, creo que hoy hemos abarcado una cantidad tremenda de terreno y no tengo más preguntas. Muchas gracias por tu tiempo y muchas gracias por ver. Nos vemos la próxima vez.