00:00:00 Introducción a la entrevista
00:01:46 El impacto de la precisión del forecast en el beneficio
00:03:25 Definiendo la precisión en el forecast
00:07:36 Evaluando con un instrumento cuantitativo
00:09:35 Series de tiempo como una medición
00:11:16 Demanda expresada a nivel de cesta
00:13:22 Analogía del forecast de series de tiempo
00:15:17 Limitaciones de las series de tiempo en el contexto de alimentos perecederos
00:18:51 Las series de tiempo no reflejan el núcleo del negocio
00:21:41 Mención del forecast value added
00:24:47 Analizando la precisión del forecast como KPI
00:27:55 El enfoque de la industria de la moda en generar deseos
00:30:35 Transición a la discusión de la industria aeroespacial
00:33:05 El enfoque probabilístico de Lokad
00:36:22 Ejemplo de venta de mochilas y decisiones futuras
00:39:34 La supply precede a la demanda, ejemplo del iPhone
00:42:37 La diferencia entre Lokad y otras empresas
00:46:13 El enfoque de Lokad para la resolución de problemas
00:49:11 Desacuerdo con las perspectivas comunes de supply chain
00:51:49 Transición a las preguntas de la audiencia
00:54:06 La planificación no refleja el entendimiento del negocio
00:57:35 La definición de precisión en los libros de texto es irrelevante
01:00:01 Pregunta sobre la precisión del forecast y su ejecución
01:03:38 Pregunta sobre la comunicación interdepartamental y los silos
01:06:15 Ejemplo de un distribuidor B2B de equipos eléctricos
01:09:34 El análisis de cesta es más prevalente en B2B
01:12:30 Medir la precisión del forecast
01:15:02 Cuestionando el título del video
01:17:10 Analogía de extirpar un cáncer
01:20:32 Las hojas de cálculo secretas de los gerentes
01:23:03 La respuesta de Joannes a la pregunta
01:25:00 Pregunta sobre el forecast de series de tiempo en la estructura del forecast
01:27:05 Pregunta sobre las universidades que enseñan métodos tradicionales de forecast
01:30:54 SNOP para la alineación corporativa
01:33:23 Experimento durante los confinamientos con el departamento de planificación ausente
01:36:12 Discutiendo la transformación de la empresa
01:39:10 Gran Ilusión en supply chain
01:42:13 La precisión ejemplifica una mentalidad completamente equivocada
01:42:49 Fin de la entrevista

Resumen

Joannes Vermorel, CEO de Lokad, critica la comprensión tradicional de forecast accuracy en supply chain management, argumentando que no refleja el ADN central de una empresa. Sugiere que los forecasts de time series, que se usan comúnmente, son excesivamente simplistas y no representan con precisión el futuro para propósitos de supply chain. Vermorel propone un enfoque diferente, centrado en ser cuantitativamente fiel a la esencia de una empresa. Critica el énfasis en las mejoras incrementales y sugiere que las empresas deberían buscar soluciones más simples y mejores. Vermorel enfatiza la importancia de entender la esencia del problema y de producir afirmaciones cuantificables que tengan sentido para el negocio.

Resumen Ampliado

En una conversación entre Joannes Vermorel, CEO de Lokad, y Conor Doherthy, se exploró el tema de la precisión del forecast y su papel en la planificación de la demanda. Vermorel, un emprendedor de software francés, desafió la comprensión tradicional de la precisión del forecast en la gestión de supply chain, un concepto que ha estado profundamente arraigado en la industria desde la década de 1920. Argumentó que, aunque la precisión del forecast está directamente vinculada al beneficio en la especulación del mercado de valores, este modelo no se aplica a la gestión de supply chain, ya que no existe una traducción directa entre la precisión del forecast y la rentabilidad.

Vermorel propuso dos formas de definir la precisión: la forma convencional y la forma de Lokad. La definición convencional, explicó, es un forecast de series de tiempo, un forecast periódico con intervalos iguales. Sin embargo, Vermorel criticó este enfoque por hacer asunciones significativas, tales como la simetría entre el pasado y el futuro, la localidad de las mediciones y el agnosticismo respecto al entorno computacional o de software. Argumentó que las series de tiempo son un modelo excesivamente simplista que no representa fielmente el futuro para propósitos de supply chain.

Utilizando el ejemplo de un supermercado, Vermorel ilustró que los forecasts de series de tiempo ignoran relaciones importantes entre los productos. Argumentó que los forecasts de series de tiempo son ciegos a dimensiones importantes y no reflejan la estructura del futuro. Sugerió que los forecasts de series de tiempo pueden ser suficientes para pequeños negocios, pero no para grandes empresas que operan supply chain complejos.

Vermorel también criticó el énfasis de los libros de texto de supply chain en los forecasts de series de tiempo para medir la precisión, argumentando que no reflejan el ADN central de una empresa. Enfatizó que los supermercados están estructurados para vender cestas de productos, no productos individuales. Cuestionó la lógica de utilizar herramientas predictivas que analizan los productos de forma aislada cuando los supermercados están diseñados para que los clientes compren muchos artículos a la vez.

Vermorel también discutió la complejidad de la demanda, utilizando la perecedera característica de los productos como ejemplo. Explicó que si la mitad del stock de una tienda caduca al día siguiente, en realidad no tiene 50 unidades en stock. También mencionó que los clientes pueden elegir productos con la vida útil más larga, lo que puede afectar la urgencia de vender ciertos productos.

Vermorel argumentó que los forecasts de series de tiempo no pueden reflejar con precisión patrones importantes como las cestas y los artículos perishable en un supermercado. Él cree que la precisión de los forecasts de series de tiempo solo refleja su propio paradigma, por lo que Lokad se desvía de este enfoque.

Vermorel también criticó las soluciones matemáticas que son técnicamente correctas pero poco prácticas en el mundo real. Reconoció que los críticos podrían argumentar que las herramientas basadas en series de tiempo funcionan en la práctica, a pesar de sus críticas. Vermorel señaló que los proveedores han afirmado que sus herramientas funcionan durante los últimos 45 años, prometiendo automatizar todo lo relacionado con supply chain. Argumentó que, a pesar de estas afirmaciones, todo todavía se hace mediante hojas de cálculo.

Vermorel cree que el problema central es que la perspectiva de series de tiempo es incorrecta y no encaja con la estructura del problema. Criticó la vista unidimensional del futuro que ofrecen las series de tiempo. Cuando se le preguntó qué se debería buscar en lugar de la precisión del forecast como KPI, Vermorel sugirió que el objetivo debería ser producir afirmaciones cuantitativas sobre el futuro que tengan sentido para la empresa.

Vermorel concluyó que los forecasts de series de tiempo son casi invariablemente erróneos para la mayoría de los negocios. Comparó intentar ajustar un modelo matemático con la estructura incorrecta a tratar de encajar una forma redonda en un agujero cuadrado. Sugerió que existen muchas otras formas de abordar el problema, dependiendo del negocio.

Vermorel dio ejemplos de diferentes modelos de negocio, como supermercados y empresas de moda, y de cómo los forecasts de series de tiempo no tienen sentido para ellos. Argumentó que, para pensar en el futuro, uno debe considerar los “halos of wants”, que no coinciden con la visión de las series de tiempo.

Vermorel también habló de la industria aeroespacial, donde el consumo de piezas está impulsado por el ciclo de vida de las aeronaves. Concluyó que utilizar forecasts de series de tiempo es una aproximación cruda para cualquier vertical de negocio. Comparó el uso de series de tiempo con aproximar una vaca como una esfera, argumentando que es una pobre aproximación para situaciones del mundo real.

Vermorel también discutió los problemas que observa en el enfoque tradicional de la gestión de supply chain, que asume que el pasado es un reflejo exacto del futuro. Argumentó que no es así, especialmente en supply chain, donde las decisiones futuras aún no se han tomado y están influenciadas por diversos factores, incluidas las decisiones de los competidores.

Vermorel utilizó el ejemplo de vender mochilas para ilustrar su punto. Explicó que el número de variantes que una empresa introduce puede impactar significativamente la future demand. Argumentó que el enfoque tradicional de decidir primero el surtido y luego realizar el forecast es insensato, ya que la demanda no está escrita en piedra y está influenciada por las decisiones de la empresa.

Vermorel explicó además que las empresas ingenian su demanda introduciendo productos al mercado, lo que luego genera demanda para esos productos. Doherthy mencionó la práctica del forecast value added, donde se utilizan aportes de diferentes departamentos para hacer revisiones al forecast. Vermorel criticó esta práctica, argumentando que a menudo es solo una forma de respaldar corazonadas con números y no contribuye al proceso real de decision-making.

Vermorel explicó que Lokad utiliza recetas numéricas que son más versátiles y no se limitan a los modelos de series de tiempo. Discutió la importancia de formular una declaración que sea fiel al futuro del negocio y que esté alineada con lo que la empresa intenta lograr. Vermorel enfatizó la importancia de entender la esencia del negocio y de construir un modelo sobre ella.

Vermorel criticó la perspectiva expresada en la mayoría de los libros de supply chain que desestiman las especificidades de los diferentes verticales. Doherthy le preguntó a Vermorel cómo responde a las grandes empresas exitosas que discrepan de sus puntos de vista. Vermorel argumentó que las empresas no tienen opiniones, solo las personas que trabajan en ellas. Él cree que muchos ejecutivos en grandes empresas estarían de acuerdo con sus puntos de vista, ya que a menudo se sienten frustrados con el enfoque tradicional de la planificación.

Vermorel argumentó que la definición tradicional de la precisión del forecast en los libros de texto de supply chain es defectuosa porque se basa en un paradigma de forecast de series de tiempo, que él cree que es incorrecto. Sugirió que el enfoque de Lokad, que se centra en ser cuantitativamente fiel a la esencia de una empresa, es más valioso.

Vermorel estuvo de acuerdo con el punto de vista de un espectador sobre la aceptación de la incertidumbre mediante forecasts probabilísticos, pero también enfatizó la necesidad de ir más allá del pensamiento unidimensional y de considerar las decisiones futuras que aún no se han tomado.

Vermorel explicó que un forecast es solo un ingrediente y no tiene valor por sí mismo. Está de acuerdo con la idea de que el valor de un forecast solo se puede evaluar a través de su ejecución en el supply chain. También advirtió sobre compartir demasiados KPIs entre equipos, argumentando que eso no crea necesariamente valor para la empresa.

Vermorel explicó que compartir datos no debería implicar un procesamiento manual por parte de los humanos. En cambio, todos deberían tener acceso programático a todos los datos de la empresa para optimizar sus propias decisiones. Advirtió sobre crear burocracia al obligar a otros departamentos a leer informes.

Vermorel argumentó que el concepto de cesta es esencial para los negocios B2B, utilizando el ejemplo de un distribuidor B2B de equipos eléctricos. Explicó que la mayor parte de su negocio está impulsada por obras de construcción, que requieren pedidos grandes de equipos para ser entregados en momentos específicos. Esto, según él, es una forma de análisis de cesta.

Vermorel argumentó que la alternativa al forecast de series de tiempo no tiene que ser una IA compleja. Sugirió que existen muchos otros modelos matemáticos que no son más complicados que las series de tiempo, simplemente son diferentes.

Vermorel explicó que Lokad utiliza una perspectiva financiera para conciliar los numerosos objetivos en conflicto de la supply chain de una gran empresa. Sugirió que expresar todos los objetivos y restricciones en dólares proporciona un lenguaje unificado para gestionar estos conflictos. Enfatizó que no se trata de pensar en términos de dólares, sino de practicidad y escalabilidad en empresas complejas.

Vermorel afirma que la precisión y las series de tiempo son lo mismo en el paradigma convencional de supply chain. Sugiere que Lokad quiere separarlas, y aunque existe una manera de que la precisión sea importante, es radicalmente diferente de lo que se presenta en los libros de texto de supply chain.

Vermorel critica el FVA por sobre-ingeniar un proceso basado en un concepto defectuoso de la precisión del forecast de series de tiempo. Argumenta que esto orienta a la empresa en la dirección equivocada, añadiendo burocracia innecesaria sin hacer la supply chain más competitiva.

Vermorel describe cómo las grandes empresas a menudo dependen de hojas de cálculo no oficiales en lugar de de los forecasts oficiales de SNOP. Sugiere que estas hojas de cálculo, que están más alineadas con la esencia del negocio, son las que realmente impulsan la empresa.

Vermorel argumenta que una mejora en comparación con el status quo no es necesariamente una mejora global. Critica el énfasis en las mejoras incrementales y sugiere que las empresas deberían buscar soluciones más simples y mejores.

Vermorel está de acuerdo en que las series de tiempo pueden ser un componente de la estructura, pero advierte contra depender únicamente de ellas. Sugiere que las empresas necesitan ampliar su vocabulario y horizonte.

Vermorel compara las series de tiempo clásicas y el machine learning con la televisión en blanco y negro y las pantallas LCD, respectivamente, afirmando que, aunque el machine learning tiene sus ventajas, aún no supone un salto cuántico con respecto a los métodos clásicos.

Critica a las universidades por no enseñar la actitud correcta hacia el forecast, enfatizando la importancia de comprender la esencia del problema y de producir afirmaciones cuantificables que tengan sentido para el negocio.

Vermorel comenta que Lokad se ubicó en quinto lugar en la competencia de Walmart utilizando un modelo paramétrico simplista, demostrando que no siempre se requieren modelos complejos para el éxito.

Argumenta que existe un continuo desde los modelos clásicos hasta los modelos avanzados de machine learning, y que la distinción entre ellos no es tan nítida como algunos podrían pensar.

Vermorel reitera su crítica a las universidades por no enseñar la actitud correcta de forecast, enfatizando la importancia de la mentalidad adecuada al tratar con problemas futuros de supply chain.

Explica que el objetivo del proceso S&OP es crear una alineación en toda la empresa, pero en la práctica, a menudo se reduce a reuniones interminables.

Vermorel argumenta que la información fluye a través de los sistemas de TI y que la alineación no requiere una comunicación constante entre las personas.

Sugiere que las reuniones de S&OP deberían centrarse en recetas numéricas y en clarificar la intención estratégica de la empresa.

Vermorel argumenta que muchas grandes empresas podrían funcionar perfectamente sin sus forecast de series temporales.

Comparte un ejemplo de empresas que operaron al 80% de su capacidad durante los confinamientos de 2020 y 2021, a pesar de que sus departamentos de planificación estuvieron inactivos.

Vermorel sugiere que si una empresa puede operar sin una división durante 14 meses, esa división puede no ser crítica para la misión.

Comparte el ejemplo de una empresa que experimentó una transformación masiva durante los confinamientos, pasando de un 5% de e-commerce a dos tercios de e-commerce.

Vermorel cuestiona la importancia de ciertas funciones dentro de una empresa, dado que algunas compañías pudieron someterse a transformaciones masivas y aún operar de manera efectiva.

Argumenta que la precisión no es el único factor importante en el forecast, citando el ejemplo de empresas que operaron normalmente a pesar de que sus departamentos de planificación estuvieron inactivos durante más de un año.

Vermorel critica el paradigma convencional de precisión de series temporales por no plantear preguntas importantes sobre la instrumentalidad de los forecast.

Enfatiza la importancia de conectar los puntos desde la decisión hasta el modelo matemático y de evaluar los impactos financieros en el mundo real de esas decisiones.

Vermorel critica la práctica común de evaluar la precisión de un forecast de forma aislada, argumentando que no refleja las condiciones del mundo real.

Concluye que el problema con la precisión es que a menudo se enmarca de manera incorrecta, y que una intuición aproximadamente correcta es mejor que un modelo de negocio sofisticado pero inadecuado.

La entrevista termina con Conor Doherthy agradeciendo a Vermorel por su tiempo y prometiendo reservar sus preguntas pendientes para otro día.

Transcripción completa

Conor Doherthy: Bienvenidos de nuevo a Lokad TV en vivo. Hoy me acompaña en el estudio el fundador de Lokad, Joannes Vermorel. Hoy estamos discutiendo un tema muy interesante: la precisión del forecast, su papel en la planificación de la demanda y si realmente importa o no. Siéntanse libres de enviar sus preguntas en cualquier momento durante este chat, y las abordaremos en la segunda mitad de la conversación. Si no están de acuerdo con algo que escuchen, responderemos esas preguntas primero. Así que comencemos. Joannes, creo que es seguro decir que somos, en cierto modo, una empresa contraria a lo establecido. Esta podría ser la perspectiva más contraria que tenemos. Entonces, antes de adentrarnos en nuestra posición y en por qué creemos que la precisión del forecast en la demanda no es importante, ¿por qué es que tantas empresas ven la precisión del forecast como el Santo Grial de la planificación de la demanda?

Joannes Vermorel: El “por qué” es, creo, relativamente sencillo. Es lo que se escribe en los libros de texto de supply chain. Se ha escrito durante los últimos, quizás, 50-70 años, tal vez incluso antes de que se llamara supply chain, se llamaba investigación operativa. Sospecho que incluso podríamos ir más atrás, hasta la década de 1920, y encontraríamos la premisa de esto con el surgimiento de los pronosticadores económicos profesionales. Si llevas esta idea de la precisión del forecast a sus raíces, que son los pronosticadores económicos en los EE.UU. a principios del siglo XX, entonces la precisión tiene una traducción uno a uno con tu ganancia si juegas en la bolsa. Así que, literalmente, si estás forecasteando el precio de las materias primas, si el precio del hierro fundido subirá o no, entonces, si tienes un forecast preciso, potencialmente puedes superar al mercado y obtener retornos fantásticos. Ahora, esto es cierto para la especulación. El problema es, ¿tienes un modelo de forecast que pueda superar al mercado? La respuesta corta es no, al menos no un modelo fácilmente accesible. Así que realmente ya no se puede superar al mercado. Hay algunas salvedades al respecto, algunas empresas de arbitraje están ganando dinero haciendo eso, pero ese es solo un punto. En términos de supply chain, mi punto es que no hay una traducción directa. Pero mi crítica no se alinea exactamente con eso. Los problemas son más profundos y fundamentales porque no se trata solo de obtener un número y, si tienes el número correcto, se traducirá automáticamente en que ganes dinero, tal como ocurre cuando juegas en la bolsa.

Conor Doherty: Entonces, ¿estás diciendo que no hay correlación entre una mayor precisión en el forecast y la rentabilidad final?

Joannes Vermorel: El problema aquí es que hay una decepción en los propios términos. Así que quizás empiece aclarando cómo definimos la precisión. Hay al menos dos formas: una forma convencional de definir la precisión y otra que sería la forma de Lokad de definir la precisión. Permítanme empezar con la forma de Lokad, que no es convencional, en cómo abordamos la precisión. La idea completa de la precisión es que estoy haciendo una declaración cuantitativa sobre el futuro. La precisión es una calificación en términos de calidad, qué tan buena es, qué tan fiel es esa declaración. Entonces, tienes una declaración sobre el futuro; el futuro debería ser así, y esto no es una declaración cualitativa, sino cuantitativa. Y luego, sobre esta declaración cuantitativa acerca del futuro, quieres calificar qué tan buena es, qué tan fiel es, cómo realmente representa el futuro, y deseas que esta evaluación sea cuantitativa en sí misma. Y así es como debería ser la precisión. Si definimos la precisión de la manera en que yo lo hago, diría que está bien, estoy de acuerdo. Esto es muy relevante, ya que esta definición conduce a algo significativo y potencialmente rentable para tu empresa. Ahora, esta no es en absoluto la definición que encontrarás en los libros de texto de supply chain, ni siquiera de cerca. La definición convencional de precisión es un forecast de series temporales. Entonces, cuando la gente habla de precisión, implícitamente se refieren a un forecast de series temporales y no a cualquier tipo de forecast de series temporales; será un forecast puntual, espaciado equidistantemente. ¿Qué significa espaciado equidistantemente? Es un forecast periódico: por día, por semana, por mes, por trimestre, potencialmente por año, incluso por hora, en intervalos iguales. Así que es un forecast periódico. No es cualquier tipo de forecast, puedes imaginar muchos otros forecast alternativos; es una serie temporal, unidimensional y periódica, donde todos los periodos son iguales. Además, estamos hablando de un forecast puntual en el que cada periodo recibe un solo valor, ese es el forecast de series temporales. Mi definición es muy diferente. La que di era mucho más amplia y no específica sobre qué tipo de declaración cuantitativa estoy haciendo acerca del futuro. Estoy diciendo que mi definición es completamente agnóstica, simplemente afirma que estamos tratando de calificar una declaración sobre el futuro y que esta declaración debe ser cuantitativa. Así que no estoy cuestionando algo como “Creo que este será un buen año”, no, eso no es una declaración cuantitativa sobre el futuro, es solo algo cualitativo. Solo digo que la precisión se aplica a declaraciones cuantitativas sobre el futuro y que queremos evaluarla nuevamente con un instrumento cuantitativo. El enfoque convencional es mucho más directo y hace suposiciones muy significativas. Las suposiciones son: series temporales, unidimensionales, periódicas o espaciadas equidistantemente, y forecast puntual. Esas son, básicamente, las suposiciones centrales. Hay algunas suposiciones más fundamentales que la gente podría ni siquiera notar, como la simetría entre el pasado y el futuro, la localización de las mediciones y el agnosticismo al entorno computacional o de software.

Conor Doherty: Gracias. Y, nuevamente, para contrarrestar un poco, cuando has descrito la diferencia entre la metodología de Lokad y el enfoque convencional, para algunas personas puede no estar claro. ¿Cuál es el problema con la perspectiva de las series temporales? Dices que es unidimensional, de acuerdo, ¿en qué sentido y por qué es eso un problema?

Joannes Vermorel: Cuando decides que quieres describir el futuro con declaraciones cuantitativas, estamos tan acostumbrados a ello, y en los libros de texto –literalmente los libros de texto de supply chain, pero también otros libros de negocios– ni siquiera reconocen que podría haber otra forma de ver el futuro aparte de las series temporales. La gente, quiero decir, y creo que el mayor error es que da la impresión de que la única forma de ver el futuro de manera cuantitativa era a través de series temporales. Y yo digo, ciertamente no. Además, las series temporales son un modelo increíblemente simplista. Es como una única medición con un único tick a lo largo del tiempo en cada periodo. Es el modelo más simple de los modelos matemáticos sencillos que tenemos. ¿Es una representación fiel del futuro? ¿Refleja de manera sensata algo que sabes acerca del futuro? Y mi propuesta es que, para propósitos de supply chain, no, ni de lejos. Y si empezamos con algunos ejemplos, miremos, por ejemplo, la demanda que un supermercado observará. La perspectiva de series temporales dice que puedes tomar cualquier producto que se venda en el supermercado y tener una serie temporal, una por cada producto vendido. ¿Es esa la forma correcta de pensar en la demanda futura? No, ¿por qué? Porque la gente no entra a un supermercado para comprar un producto de forma aislada. Lo que quiere es una canasta, o al menos la gran mayoría; ocasionalmente puede haber algunas personas que entren al supermercado para comprar un producto, pero la gran mayoría de las ventas son impulsadas por personas que van al supermercado, digamos, una vez a la semana y compran una canasta entera de productos. Entonces, lo que importa en términos de demanda se expresa a nivel de canasta. Esto es lo que la gente observará, lo que sentirá, y si piensan en términos de calidad de servicio, se percibirá en función de las canastas. Es decir, ¿tengo todos los artículos que necesitaba para mi lista de compras? Y esta percepción, que es a nivel de canasta, no tiene nada que ver con esas series temporales de forma aislada, ya que estas ignoran por completo todas las relaciones que existen entre los productos y todos los sustitutos y canibalizaciones que pueden ocurrir. Así que, a veces, son ciegas a esos efectos. Tenemos, por tanto, un problema de ceguera: esta única dimensión que está en el núcleo de las series temporales ignora las dimensiones superiores que pueden ser extremadamente importantes. Simplemente, ignora por completo todas las relaciones que existen entre los productos y todos los sustitutos y canibalizaciones que pueden ocurrir. Así que, a veces, es ciega a esos efectos. Tenemos un problema de ceguera.

Esta única dimensión, que está en el núcleo de las series temporales, ignora las dimensiones superiores que pueden ser extremadamente importantes. Y mi propuesta es que no es un accidente. Toma el ejemplo de un supermercado, o de cualquier empresa, y realmente piensa en lo que significa el futuro, en lo que realmente estamos observando. Te darás cuenta de que, en el fondo, no estamos observando series temporales. Estamos observando cosas que tienen estructura, pero no necesariamente –y generalmente no– una estructura de series temporales. Podría haber algunos negocios increíblemente simplistas, tiendas de barrio, en los que la serie temporal es suficiente, pero esos negocios son la excepción, no la norma, especialmente en el mundo en el que vivimos hoy, con grandes empresas operando grandes supply chain con mucha complejidad ambiental. Cada serie temporal trataría cualquier artículo dado o cualquier SKU de forma independiente a cualquier otro SKU en un catálogo. Por lo tanto, si existen interrelaciones, si hay bundles o sustituciones, será agnóstico o ciego a ello. Y eso, en última instancia, hace que la precisión para cualquier artículo individual no sea incorrecta, sino engañosa. Si quiero hacer una analogía, imagina que tienes un televisor en blanco y negro. Ese sería tu forecast de series temporales. Te falta algo. Puedes agregar píxeles, lo que significaría agregar precisión. Pero sigues teniendo solo blanco y negro. Y si piensas, “Oh, pero si agrego muchos píxeles…” Sí, pero sigues en blanco y negro. No importa cómo hagas el televisor más grande, puedes aumentar la tasa de refresco, pero aún no tienes colores, solo tienes blanco y negro.

Así que, tomo esto como un ejemplo en el que no importa lo que hagas, si te faltan dimensiones, no puedes salvar el caso. Y hay tantas dimensiones que faltan. Revisemos este ejemplo del supermercado con alimentos perecederos. Alimentos perecederos: digamos que tienes productos en los estantes, pero cada unidad que tienes en el estante viene con su propia vida útil. Y lo que muchos compradores hacen cuando visitan la tienda es que miran la fecha de caducidad y su opinión sobre el producto varía dependiendo de si le queda solo un día de vida a ese producto, o si le quedan tres semanas. Sigue estando muy fresco. Pero si miramos los datos desde una perspectiva de series temporales, esto está ausente. No puedes, mediante una representación en series temporales de tus ventas o de la demanda de, digamos, un paquete de yogures, representar la frescura. Está ausente. Eso sería, si vuelvo a mi analogía del televisor, como decir: “Bueno, solo tengo blanco y negro, pero ¿sabes qué? Puedo simplemente comprar tres televisores y diría que el primero mostrará el azul, el segundo mostrará el verde y el tercero mostrará el rojo. Y técnicamente, tengo todos los colores. Solo necesito, de alguna manera, recombinarlos visualmente.” Yo diría: “Sí, pero esa es una solución muy, muy enrevesada al problema. No es una buena solución.” Desde una experiencia práctica del usuario, es un completo disparate.

Y eso sería lo mismo si lo hiciéramos para el supermercado para decir que vamos a tratar la perecibilidad simplemente añadiendo más series temporales. Sí, en un sentido muy técnico, potencialmente podrías hacer eso, pero va a ser una solución muy impráctica. No va a ser una buena solución. Y ves, aquí de nuevo, la perecibilidad: el problema es que la demanda no es algo unidimensional. Tienes otra dimensión que es la frescura, y eso importa. Impacta la demanda y también impacta tu stock. Si crees que tienes 50 unidades en stock, pero la mitad expira mañana, entonces en realidad no tienes 50 unidades en stock. Y eso, solo si el cliente no tiene un comportamiento adverso de elegir las unidades que tienen la mayor vida útil.

Los clientes que eligen productos en un estante de un supermercado incluso podrían escoger los productos que tienen la mayor vida útil y, por lo tanto, podrían en realidad seleccionar adversamente los productos que son los menos urgentes de vender.

Por eso tienes esos puntos de venta donde puedes descargar todo tu material y hacer que todo avance. Por eso tienes un carrito. Quiero decir, todo ha sido diseñado en el supermercado para que las personas puedan comprar muchas cosas a la vez. Si solo quieres comprar una taza de café extra, no tiene sentido ir a un supermercado. Entonces, mi punto es que, dado que todo ha sido diseñado, incluso el estacionamiento frente al supermercado, para comprar una cesta completa, ¿tiene sentido que tu herramienta predictiva mire el caso de un producto a la vez, todo en aislamiento? Y mi respuesta es que no, no tiene sentido. Por lo tanto, no hay manera de adaptar la perspectiva de series temporales para reflejar lo desconocido o lo intangible que estás describiendo. Un matemático diría que si acumulas suficientes series temporales, puedes. Porque, verás, siempre podríamos decir que podemos añadir más series temporales. Y eso es exactamente como decir que tenemos un televisor en blanco y negro: puedes tener múltiples televisores y luego tendrás uno para cada color, y técnicamente tendrás los colores. Entonces, ves, debemos tener cuidado aquí. Si dices que para las series temporales se te permite simplemente introducir cada vez más series temporales, entonces sí, técnicamente puedes tratar con cualquier número de dimensiones porque aumentas la dimensionalidad de tu instrumento simplemente añadiendo series temporales. Pero no es una solución práctica. Al igual que si quieres tener colores en tu televisor, tener múltiples televisores no es una buena solución. En matemáticas, hay muchas soluciones que son ampliamente imprácticas. Los matemáticos son muy buenos inventando soluciones locas que son técnicamente correctas, pero solo son matemáticamente correctas.

En el mundo real, es una locura. No es la forma en que abordarías el problema. No te va a dar una buena solución. Te dará una solución muy teórica. Bien, pero los críticos podrían decir entonces que existen muchas herramientas basadas en el enfoque de series temporales que, en la práctica, funcionan. Toma, por ejemplo, forecast value added. Ahora, lo que acabas de describir, presumo, no encaja en eso. Pero las personas que lo defienden dirían, en realidad, que funciona, al contrario de todo lo que acabas de decir. Así que, sí, la gente ha estado afirmando que sus herramientas simplemente funcionan desde, esencialmente, finales de los años 70. Durante los últimos 45 años, los proveedores han estado diciendo que tenemos software automatizado avanzado que puede automatizar literalmente todo lo relacionado con supply chain. Los proveedores han estado diciendo que tenemos software automatizado avanzado que puede automatizar literalmente todo lo relacionado con supply chain. Y cuando la gente dice que tenemos enterprise software para hacer gestión, hoy en día, cuando dicen que tienen un CRM, gestión de relaciones con clientes, se trata solo de registros administrativos, entradas de datos. Pero si retrocedes a los años 70, cuando decían gestión, también pensaban en las decisiones, en toda la inteligencia. Entonces, mi propuesta es, en teoría, que tenemos, desde las últimas cuatro décadas, software que se supone debe robotizar por completo todas esas decisiones: inventario, replenishment, producción, programación, inventory allocation, optimización de precios. Todo eso está, según los proveedores, completamente automatizado, 100% automatizado, desde hace cuatro décadas. Y la mayoría de los proveedores, si observas la forma en que se comunicaron en los años 80, decían que esto sería hecho completamente por la máquina. Antes lo hacía un empleado, pero ese ya no es el caso. Durante la última década, he conocido a más de 200 directores de supply chain y, de forma invariable, hay software en marcha. Se ha implementado una serie de soluciones de software, pero todo todavía se hace a través de hojas de cálculo.

Tenemos varias generaciones de software empresarial enfocado en el forecast de series temporales que supuestamente automatizaba todo. Han estado haciendo esto durante décadas, pero la realidad es que todavía se hace en Excel. ¿Qué salió mal? Creo que el problema central es que la perspectiva de las series temporales es incorrecta. No encaja con la estructura del problema. Hay otros problemas, pero el mayor es que no encaja. Esta visión unidimensional del futuro es demasiado simplista y a partir de ahí todo se desmorona. Si se supone que no debemos perseguir la precisión del forecast como un KPI, entonces, ¿qué deberíamos perseguir en su lugar? Primero, necesitamos replantearnos qué es lo que estamos tratando de resolver. Estamos intentando producir declaraciones cuantitativas sobre el futuro que tengan sentido para la empresa. Una declaración sobre el futuro es, en gran medida, específica del dominio, lo cual es lo opuesto a lo que se indica en los libros de texto de supply chain. Dichos libros afirman que las series temporales son todo lo que necesitas. Mi conclusión, tras observar a cientos de empresas, es que esto es casi invariablemente incorrecto. Si hay negocios que pueden ser adecuadamente modelados mediante series temporales, son la excepción, no la norma. La estructura no está alineada con unas series temporales. Si intentas proyectar un modelo matemático y no tiene la estructura correcta, no vas a representar adecuadamente las realidades que intentas modelar. Es como intentar encajar una forma redonda en un agujero cuadrado. Si solo has visto una forma redonda, podrías pensar que eso es todo lo que hay. Pero existen muchas otras maneras de hacerlo, y estas dependen del negocio. Si eres un supermercado, tu ADN son las cestas. Si estás en moda, va a ser completamente diferente. Si eres una empresa de moda, quieres generar deseos, y las series temporales realmente no tienen sentido para eso. Supón que tienes un nuevo patrón que se vuelve tendencia. Puedes generar muchos productos que jueguen con eso, pero puedes tener más o menos productos.

La mayor parte de tus clientes se sitúa en el medio. Si optas por colores muy extremos, es posible que no tengas suficiente demanda para justificar tener tantas variantes. Si quieres pensar en el futuro, necesitas considerar esos halos de deseos, y no es algo que coincida con tu visión de series temporales. Si estás vendiendo merchandising para figuras de acción, entonces es algo aún más extraño. Todo el negocio está estructurado en torno a esos héroes. Batman es mucho más poderoso en términos de merchandising que Green Lantern, y eso ha sido una constante durante las últimas dos décadas. Si entramos en el ámbito aeroespacial, eso sería otra cosa. El consumo de piezas está impulsado por el hecho de que tienes una flota de aeronaves. Cada aeronave tiene un ciclo de vida que dura algo así como tres a cuatro décadas. El consumo de piezas seguirá una cierta curva durante esa vida útil. La estructura adecuada, si deseas apoyar un gran MRO que respalde flotas de aeronaves, es pensar en cuáles son las flotas de aeronaves que estás soportando y cómo están incrementándose y disminuyendo. La realidad es que cada vez que eliges un sector vertical, si aplicas una serie temporal, es una aproximación muy burda. Ni siquiera se acerca a una representación fiel de la estructura del problema. Si consideramos la estructura y volvemos a un ejercicio que solía hacer mi profesor de física, diríamos: “De acuerdo, esta es una vaca y vamos a aproximarla como una esfera.” Es bueno para un ejercicio de juguete, pero la vaca no es una esfera en la realidad y ni siquiera se le acerca. Así que, esta es una aproximación muy disparatada. Es buena para un ejercicio, pero no es buena para nada real. Si tienes que tratar con vacas reales, no te aconsejaría aproximar tus vacas como esferas. No terminará bien. Esta no es una aproximación válida.

Conor Doherty: Una vez más, cuando dices que una serie temporal es una aproximación muy simplista del futuro, en Lokad solemos describir nuestro enfoque, que es probabilístico, como mejor ser aproximadamente correcto que exactamente incorrecto. ¿Es esto solo una diferencia de términos?

Joannes Vermorel: Como dije, primero tenemos la estructura. Y, por cierto, esa es también una de las cosas en las que Lokad diverge. Estamos usando el enfoque probabilístico como una bandera de convocatoria, pero la realidad es que mi problema es, primero probablemente, sobre la estructura. El segundo problema que veo es otro. Es el enfoque clásico de los libros de texto de supply chain que solo pide precisión y asume que el pasado es el exacto simétrico del futuro. Esto no es el caso. Esto es cierto en cierto sentido si observas, digamos, el movimiento de los planetas. Es decir, las cosas en las que solo eres un observador, la humanidad lo observa y no puede cambiar nada. Entonces, si quieres forecast el movimiento de los planetas, digamos el planeta Marte, entonces sí, asumir que el pasado es solo un simétrico del futuro está bien, porque no tenemos ningún impacto tangible medible sobre el movimiento del planeta Marte. Pero para supply chain, no es bueno, porque todo tu futuro está condicionado a decisiones que aún no se han tomado. Tu futuro depende de tu futura decisión y no solo de ella, sino también de las futuras decisiones que tomarán otras personas, como tus competidores. Así que, existe esta asimetría radical entre el pasado y el futuro, y la perspectiva clásica de las series temporales, que se caracteriza por la precisión, es simplemente totalmente ajena a eso. Ni siquiera se menciona. Ni siquiera existe y no se evalúa en este tipo de métricas de precisión. Si quieres hacer una declaración fiel sobre el futuro, sea cual sea, tiene que incorporar en sí misma el hecho de que el futuro aún depende de las decisiones.

Conor Doherty: Mucha gente piensa, de alguna manera, que se sitúa a ambos lados de la demanda y que simplemente la observa, como dijiste, como observadores. Pero lo que dices es que, de acuerdo, no controlamos el futuro, pero podemos co-crear el futuro con las decisiones que se tomen. ¿Cuáles son esas, para aquellos que no están al tanto?

Joannes Vermorel: Supongamos que estás vendiendo mochilas. ¿Cuánto vas a vender? Depende, primero, de cuántas variantes vas a introducir. Si solo tienes, por ejemplo, una mochila negra y la pones en todas partes en tu ecommerce y en todas tus tiendas, entonces tal vez vendas mucho. Pero si tienes más variantes, tienes otras mochilas que son algo similares, un poco más grandes, y luego introduces media docena de colores. Cada vez que introduces una variante más, ¿vas a duplicar tus ventas? No, obviamente habrá canibalización. La demanda que tendrás para el futuro no está escrita, no está tallada en piedra. Depende en gran medida de cuántas variantes introduzcas. Esa es una decisión que aún no se ha tomado. Y si divides el problema, diciendo: “No, solo quiero decidir primero el surtido de mochilas y luego hacer el forecast”, diría que esto no tiene sentido. Porque, obviamente, si decides primero tu surtido y luego haces el forecast, y te das cuenta de que algunos productos no tienen suficiente demanda, los eliminarás. Literalmente, estamos diseñando la demanda y eso es lo que hacen las empresas. Esa es también la ley de Jean-Baptiste Say, el economista. La oferta precede a la demanda. Tienes que empujar el producto al mercado para crear la demanda. Antes de que Apple introdujera el iPhone, la demanda del iPhone en el mercado era exactamente cero. Tienes que empujar el producto al mercado y entonces generarás demanda para él.

Conor Doherty: Pero operando dentro del paradigma que estás criticando, existen prácticas como forecast value added donde tienes la demanda y voy a marketing y voy a ventas y obtengo sus insights. Vamos a introducir x cantidad de variantes y, de ese modo, se reconoce que nuestras decisiones co-crearán el futuro y se realizan revisiones a la baja o al alza.

Joannes Vermorel: Pero diría de nuevo, después de observar compañías durante más de una década, casi una década y media, que esas son simplemente burocracias. Cuando ves cómo suceden realmente las cosas, hay algunas personas en la empresa, en algún lugar, que dicen: “Oh, tenemos una oportunidad, vamos a aprovecharla.” Y luego piensan que si simplemente lo hacen así, suena poco científico. Así que quieren respaldar su presentimiento con números y algunas personas le añadirán números, y entonces dirán: “Bien, tenemos números, ahora es científico, lo hacemos.” Pero no, era un presentimiento muy válido sobre el mercado, era un razonamiento a alto nivel muy válido sobre algo y luego tenían el cálculo a modo de sobre para dimensionar la iniciativa correctamente. Y luego todo lo demás fue solo burocracia para aprobar la iniciativa, pero no contribuyó a la cosa. No fue la chispa inicial, no fue el impulso, ni siquiera fue el verdadero dominio científico de algo lo que lo hizo posible. Fue solo papeleo que ocurrió después de la batalla. Acabas de describir lo que Lokad hace con sus propios clientes. Nos comunicamos, ellos nos dan información sobre sus planes futuros, y nosotros incorporamos eso en la receta numérica. La diferencia funcional es que, fundamentalmente, tenemos recetas numéricas que son mucho más versátiles. No estamos atados a series temporales y rara vez usamos modelos de series temporales en la práctica. Si quieres mostrar una curva en la pantalla, tiene que ser una serie temporal. Esto se debe a que las pantallas son bidimensionales y tenemos una dimensión que es el tiempo.

Detrás de escena, el modelo no es unidimensional. La mayoría de nuestros modelos predictivos no operan como modelos de forecast de series temporales. Contamos con métricas de precisión que se alinean con la visión que describe la fidelidad de una afirmación cuantitativa sobre el futuro. Pero tiene muy poco que ver con las métricas de error porcentual absoluto medio. Nos hacemos una pregunta: ¿estamos haciendo una afirmación que sea verdaderamente significativa, que sea fiel, que se alinee con lo que realmente estamos intentando hacer? Por ejemplo, en la industria de la aviación, ¿tenemos algo que realmente abrace esta idea de que estamos sirviendo a una flota y que la flota tiene algunos parámetros que podemos controlar? Un avión tiene una vida útil de quizás tres a cinco décadas. Esto está muy bien limitado, por lo que literalmente podemos incorporar esas cosas en nuestros modelos. Cuando operamos con clientes, tenemos modelos en los que simplemente hacemos cosas sencillas. Nos tomamos el tiempo para entender qué es lo que están tratando de resolver y qué afirmaciones tendrían sentido para ser fieles al futuro de su negocio. Es muy diferente. Si contamos con una métrica de precisión, partimos de la esencia del negocio, tratamos de capturar la estructura y luego diseñamos algo sobre ella. No se trata ni siquiera de capturar las peculiaridades de un sector vertical, sino su ADN. Por ejemplo, en la aviación, hay que tener en cuenta que lo que estás almacenando como repuestos son aviones. En la indumentaria, hay ciertas modas y tendencias que van y vienen. En la aviación, tienes flotas que van y vienen. Por ejemplo, el Boeing 747 se está retirando, pero el Airbus 350 se está incorporando. Si quieres incursionar en la moda y dices que vas a ignorar la novedad, mi respuesta a eso es que no va a terminar bien. Estoy firmemente en desacuerdo con la perspectiva que se expresa en la mayoría de los libros de supply chain de que estos detalles son secundarios. No lo son. No puedes abordar un sector vertical siendo totalmente despreciativo de lo que hace específico a ese sector. No puedes hacer merchandising para equipos deportivos ignorando el hecho de que hay torneos y que, cada año, la estructura de tu problema es que hay un solo equipo ganador. Por ejemplo, volvamos a esa compañía que vende accesorios para equipos de béisbol. ¿Cómo encajas el hecho de que siempre hay un único equipo ganador en una serie temporal? Estás diseñando tu precisión. Estás elaborando algo sobre un modelo, este modelo de servicio, que no tiene sentido. Obtendrás números, pero…

Conor Doherty: Bueno, soy consciente de que quiero empezar a concluir y revisar algunas preguntas de la audiencia. Somos una compañía que se guía por el resultado final desde una perspectiva puramente financiera. Existe una crítica simple que quizá ya se haya planteado, no lo sé, pero te la plantearé ahora. Hay compañías de varios miles de millones de dólares que están completamente en desacuerdo con prácticamente todo lo que acabas de decir. Compañías de varios miles de millones de dólares que han existido por un siglo o más. ¿Cómo respondes a aquellos que dicen, “Mira nuestro saldo bancario, Joannes, no estamos de acuerdo contigo”?

Joannes Vermorel: En varios niveles, primero, las compañías no están de acuerdo o en desacuerdo sobre nada. Las compañías son simplemente grandes colecciones de seres humanos, no tienen una opinión por sí mismas. Solo las personas que trabajan para esas compañías la tienen. Así que, las compañías hacen muchas cosas, muchas cosas —especialmente en las grandes compañías— que son simplemente accidentales. No fue realmente diseñado de esa manera, simplemente sucedió así. Esos son los accidentes. Cuando decimos que no estoy de acuerdo con las series temporales, mi experiencia es que, cuando hablo con ejecutivos en grandes compañías, con mucha frecuencia están de acuerdo con ese tipo de fundamentos que acabo de mencionar. Cuando hablo con el CEO de una gran compañía de moda, usualmente se muestra sumamente desconcertado por el hecho de que los equipos de planificación quieran encajar absolutamente todo en series temporales, lo cual es un completo desajuste con su propia visión. Entonces, ¿realmente estoy en desacuerdo? No lo creo. Mi experiencia, cuando trato con ejecutivos que han pasado décadas en un sector vertical, es que usualmente tienen mucha frustración con la forma en que se hace la planificación, porque simplemente no refleja su concepción y entendimiento fundamentales de su propio negocio. Al final del día, confío más en mi presentimiento que en los números que provienen del equipo de planificación. El hecho de que esos ejecutivos digan eso y que la compañía tenga éxito demuestra que, de alguna manera, lo están haciendo bien. Tienen un equipo de planificación porque no pueden escalar su presentimiento. Así que, necesitas más números, necesitas ese equipo de planificación y necesitas esas herramientas, pero en realidad no son súper buenas. Divergo significativamente de lo que está escrito en los libros de texto, pero no estoy seguro de que esté divergendo tanto del presentimiento de la mayoría de los ejecutivos con los que he tenido la oportunidad de hablar.

Conor Doherty: ¿Puedes resumir tu posición sobre por qué la precisión del forecast no es importante y luego hacemos la transición?

Joannes Vermorel: No es importante porque, si tomo la definición de supply chain de los libros de texto, todo está equivocado. Está construida sobre un paradigma defectuoso, que es un paradigma de forecast de series temporales, que está completamente mal. Por eso digo que es un desajuste paradigmático total. No se ajusta al problema que intenta resolver y, por lo tanto, es simplemente una solución matemática o estadística elegante para el problema equivocado. Así que, en ese sentido, no importa. Sin embargo, si hablamos del estilo Lokad, que es: ¿tenemos algo que sea cuantitativamente fiel a la esencia de la compañía? Entonces sí importa enormemente.

Conor Doherty: Gracias a todos por sus preguntas. No estoy seguro de que haremos lo posible por responderlas en el orden en que se enviaron detrás de escena. Así que, estoy leyendo lo que me fue presentado y algunas de estas son afirmaciones a las que, supongo, responderán. Entonces, de un tipo llamado Dustin, “La precisión del forecast es importante, sin embargo, el método actual de cuantificarla midiendo la precisión de un forecast puntual es limitante. El objetivo último debería ser medir la precisión de una distribución de probabilidades. ¿Estás de acuerdo?”

Joannes Vermorel: Nuevamente, en Lokad avanzamos en la dirección correcta con el forecast probabilístico. El forecast probabilístico te permite abrazar la incertidumbre. Pero aún así, no es suficiente. Por eso digo que sí, abrazar la incertidumbre es ciertamente necesario, en Lokad lo apoyamos totalmente. Pero, de nuevo, vuelve a que, si sigues siendo unidimensional, sigue sin ser bueno. Y si aún tratas al pasado como un simétrico del futuro, sigues descartando por completo este potencial de decisiones que aún no se han tomado.

Conor Doherty: ¿Estás sugiriendo que la precisión del forecast tiene más que ver con la precisión de la ejecución, que abarca perspectivas tanto de cambios internos como externos? Desde una perspectiva de forecast, ¿debería enfocarse en la cantidad y el valor? Paulo cree que los KPIs tienen la mayor importancia cuando se comparten entre las diferentes funciones, especialmente las áreas comercial, marketing y finanzas. En tu opinión, ¿son útiles los escenarios de alza y de baja? Hay muchas preguntas pequeñas ahí, te dejo elegir.

Joannes Vermorel: Eso es algo muy interesante. Primero, un forecast es un ingrediente, un artefacto en sí mismo. No hace nada por una compañía. Si produces una afirmación cuantitativa sobre el futuro, el software es solo un artefacto. No tiene valor por sí mismo. Creo que Paulo tiene mucha razón en que, sea cual sea tu evaluación, no puede ser algo intrínseco al forecast. Es únicamente a través de la ejecución de la supply chain que puedes evaluar si este instrumento, este artefacto numérico, fue adecuado o no. Produces tu artefacto numérico, tu forecast, y luego solo puedes juzgar si fue un forecast bueno o malo por sus consecuencias, sus repercusiones a largo plazo. Ahí es donde necesitas retroceder desde las repercusiones hasta la receta numérica utilizada para producir el forecast y evaluar si fue bueno o malo. Ese es el enfoque muy consecuente que tengo respecto al forecast.

En cuanto a los KPIs compartidos entre los diferentes departamentos, diría que hay que tener cuidado. Las compañías no ganan dinero haciendo que la gente lea números. Compartir números entre equipos está bien, pero ¿crea valor para la compañía? Realmente, no. Y cuando la gente dice KPI, se supone que deben ser clave, como key performance indicators, supuestamente unos pocos. Pero mi observación es que las compañías tienen docenas, cientos, a veces miles de KPIs. Así que no son KPIs, son indicadores de rendimiento, como un montón de indicadores de rendimiento. Mi punto es: sí, hasta cierto punto, pero cuidado. Las compañías ya están pagando a demasiadas personas para que pasen tiempo observando métricas sin hacer mucho después.

Conor Doherty: Podría seguir rápidamente en eso porque corrígeme si me equivoco, ¿estás diciendo que compartir demasiada comunicación interdepartamental puede ser malo? Pero, ¿no es lo opuesto a eso silos, de lo que sé que no eres particularmente fan?

Joannes Vermorel: ¿Qué van a hacer las personas con esos números? Mi opinión es que, si quieres compartir datos, no deben pasar por los ojos y cerebros de los humanos. Estamos hablando de un cliente típico nuestro que tiene más de un terabyte de datos de transacciones. Eso es mucho. Así que, en la realidad, si decimos que, ya sabes, a través de tus ojos, ¿cuántos dígitos puedes leer por segundo? Algo así como cinco dígitos por segundo. Te llevaría toda una vida canalizar esos datos a través del cerebro humano. Así que, obviamente, cuando decimos que queremos compartir datos, no queremos decir que tengan que pasar por las personas. Romper los silos no consiste en asegurarse de que Bob, del otro departamento, tenga que consumir todos los datos que produces, generas, informes y demás. Se trata simplemente de asegurarse de que todos tengan acceso programático a todos los datos que hay en la compañía para que puedan optimizar sus propias decisiones. Y si tienen que coordinar, se trata de alinear las recetas numéricas mismas que toman las diversas decisiones. No significa que las personas tengan que usar su propio tiempo y ancho de banda, tiempo humano y ancho de banda humano, para procesar estos datos manualmente. Romper los silos no consiste en generar trabajo para otro departamento creando un informe que esperas que las personas de ese otro departamento lean. Aquí, solo estás creando burocracia. Estás creando una tarea burocrática que impusieras en otro departamento. Y mi intuición es que, la mayoría de las veces, cuando haces eso, no terminará en algo rentable para la compañía. Podría, pero no es seguro y, la mayoría de las veces, no lo será.

Conor Doherty: Gracias por eso. Soy consciente de que tenemos tiempo limitado, así que esta pregunta es de Sashin o Sain. ¿Qué tan aplicable es el concepto de basket o la perspectiva de basket para los negocios B2B en contraposición a solo bienes de consumo?

Joannes Vermorel: Es esencial. Tomemos un ejemplo. Uno de nuestros clientes en Lokad es un distribuidor B2B de equipos eléctricos. Es una empresa muy grande. Cuando vendes equipos eléctricos, tus clientes son grandes empresas y la mayor parte de tu negocio se impulsa por obras de construcción. Así que sí, de vez en cuando hay una empresa que va a pedir una bombilla o un interruptor de luz solo para hacer una pequeña reparación, pero la mayor parte del negocio se impulsa por obras de construcción. Hay una nueva torre y dentro de 6 meses, necesitas 4,000 interruptores de luz, todos del mismo modelo al mismo tiempo y, literalmente, necesitas 200 km de cable. Y así tenemos, y esto no es un caso aislado, que esto es algo muy clásico cuando observas la construcción civil. Cuando se construye un edificio, habrá empresas que realicen grandes pedidos para decir que lo que necesitan es equipar el edificio, en términos de equipos eléctricos. Así que, digamos, 6 meses antes, no esperan que este distribuidor eléctrico tenga todo en stock. Nadie tiene esa cantidad de stock disponible de inmediato, por lo que la empresa que se encarga de la instalación del edificio lo sabe. Con meses de anticipación, realizan un gran pedido y saben que no va a estar disponible, por lo que lo hacen con mucha antelación. Pero dicen: “te damos mucho tiempo”, y que para esta fecha del próximo año, a finales de marzo, queremos tener todo listo porque entonces procederemos con el despliegue en el edificio y necesitamos cada cosa, hasta la última unidad, perfectamente disponible en esa fecha. Y no te engañamos, te damos suficientes meses para lograrlo. Y esto es lo que sucede: ves, en este caso, lo interesante es que nos desviamos de nuevo de las series temporales. Tenemos demanda, pero si consideras la demanda únicamente como series temporales, te estarás perdiendo el punto. El punto es que tienes dos fechas: la fecha del pedido y la fecha de disponibilidad prevista para la mercancía. Así que esto también es un conjunto; esto es B2B y viene con una complejidad extra en comparación con el supermercado en el que todo lo que necesitas se anuncia con antelación. ¿Ahora está perfectamente definido? No lo está, porque puede haber pequeñas desviaciones en los cronogramas de construcción y luego el cliente puede regresar y decir “necesitamos esas cosas una semana antes o una semana después”. Así que ves, todavía existe algo de variabilidad y, a medida que avanza la obra, pueden hacer ajustes marginales a su conjunto. Pero aún tienes la mayor parte de la información disponible con mucha anticipación. Así que ves, nuevamente, incluso en B2B, tenemos este tipo de fenómenos. Diría incluso que B2B se trata de negocios recurrentes con socios bien identificados. Así que este tipo de análisis de conjunto es aún más prevalente en B2B que en el retail B2C.

Conor Doherty: Desde Stefan, o Stefane, el francés, creo que Stefan tiene un comentario. Él dice: “Uno puede potencialmente alimentar a una IA avanzada con una gran cantidad de datos, estructurados o no, para obtener un forecast. Sin embargo, hay un inconveniente, ¿no es así?” Esa es la pregunta. ¿Quizás lo sabes?

Joannes Vermorel: Sí, quiero decir, la gente piensa que la alternativa a una serie temporal es algún tipo de IA Skynet. Mi respuesta es: ¿por qué piensas eso? Si todo lo que has visto en tu vida son formas redondas y nunca has visto una forma cuadrada, podrías pensar que la alternativa a una forma redonda es una forma increíblemente complicada. Eso no es lo que quiero decir. No estoy afirmando que la alternativa a una forma redonda sea algo imposiblemente complejo. Podría ser simplemente una forma cuadrada. No estoy diciendo que la alternativa a las series temporales sea una IA de nivel Skynet o lo que sea. La mayoría de los modelos que utiliza Lokad son muy simples; simplemente no son series temporales. Existe una especie de culto que insiste en que tiene que ser series temporales. Yo digo: ¿por qué no? Las matemáticas son vastas, hay montones de alternativas que puedes aplicar y que no son más complicadas que las series temporales. Son diferentes. Las series temporales son lo más simple de lo simple; sí, son un poco más complejas, solo un poco, porque casi no hay nada que sea más simple que ellas. Una serie temporal es literalmente una única cantidad con una dimensión temporal, por lo que es difícil de simplificar aún más. Pero eso no quiere decir que la alternativa a las series temporales sea una IA de nivel Skynet. Esos modelos siguen siendo paramétricos, muy simples, y se trata únicamente de aprovechar la estructura del problema que se intenta resolver. Cuando describo la estructura de los problemas, como una serie de partidos de béisbol con un ganador cada año y el resto de los equipos pierden, no estamos hablando de estructuras inimaginablemente complejas. Esas cosas no son tan complicadas; se pueden describir en minutos, y los modelos que típicamente usa Lokad también se pueden describir en minutos. Las series temporales se pueden describir en segundos, así que nos inclinamos por aquello que requiere minutos para explicarse.

Conor Doherty: Bueno, en términos de la diferencia entre las formas, y brevemente dando seguimiento a esto, cuando la gente habla de medir cuán bueno o fiel fue un forecast, se enfocan en la precisión. Nosotros no miramos eso. La otra forma que usamos es el impacto financiero. ¿Es esa la forma alternativa?

Joannes Vermorel: Eso es parte de nuestro arsenal de trucos. La perspectiva financiera no es algo a lo que seamos inflexibles. Es solo que, según mi experiencia, cuando se trata de una empresa grande con una vast supply chain que gestionar, tenemos un problema de conciliación de docenas de objetivos conflictivos. Tienes tantos objetivos. Si eres una empresa grande, no quieres desperdiciar, deseas un alto nivel de servicio, buscas la máxima utilización de tu warehouse y de tus activos, y tienes restricciones como el espacio máximo de almacenamiento o la vida útil de los productos. Así que tienes restricciones y objetivos por todas partes. Necesitamos un lenguaje para unificar todo eso. Es algo muy práctico. Estas cosas entran en conflicto entre sí. La calidad del servicio choca con el desperdicio. Si dices “quiero tener un service level súper alto”, entonces, en productos perecederos, un service level muy elevado significa que a veces tendrás inventario que vence y que tendrás que desechar, generando desperdicio. Hay tensión. No puedes decir que tienes cero desperdicio y, al mismo tiempo, una calidad de servicio muy alta. Si tienes alta calidad de servicio, tendrás algo de desperdicio; y si eliminas totalmente el desperdicio, significa que frecuentemente terminarás con stockouts. Esto es inevitable. Es simplemente el diseño mismo del problema. Tienes estos objetivos conflictivos. Ahora, amplifica eso. Tenemos una empresa grande, necesitamos unificar todas esas cosas, y mi propuesta —que ha sido el arsenal de trucos que utiliza Lokad— es que, si expresamos todo en dólares, tenemos la lingua franca. Esa es la manera de unificarlo. Es solo un conjunto de trucos. No es que quiera pensar en términos de dólares, es solo mi experiencia. Es lo único que escala al considerar empresas complejas. Es meramente una cuestión de practicidad a escala.

Conor Doherty: Gracias. Entonces, ¿debería titularse este video “¿Importan las series temporales?” Usted cree que cuantificar la incertidumbre y la precisión del forecast es vital, pero no está de acuerdo con los métodos actuales, ¿correcto?

Joannes Vermorel: De nuevo, la precisión y las series temporales son lo mismo. Si miras los textos de supply chain, nunca he visto ninguno en el que la precisión no esté inmediatamente asociada a una serie temporal. La mayoría de los textos de supply chain ni siquiera se molestan en dar la definición matemática de una serie temporal; saltan directamente a la definición de precisión, que en sí misma define la serie temporal. Así que ves, esas cosas son co-substanciales en el paradigma tradicional de supply chain. Son una y la misma cosa. Y Lokad dice que quiere separarlas. De hecho, existe una manera de hacer que la precisión sea importante, pero es algo tan radicalmente distinto de lo que realmente se presenta en esos textos de supply chain que soy muy reacio a llamarlo precisión. Precisión es un buen término, es válido, y es lo que moralmente hacemos. Pero lo que estamos haciendo es un alejamiento radical de lo que se encuentra en los textos de supply chain, lo que crea confusión al usar el mismo término.

Conor Doherty: Gracias. Creo que ya tocamos este tema en las dos últimas preguntas. Esto es de Constantine. Algunos abogan por el FVA, tu favorito, como medio para determinar si los esfuerzos por mejorar la precisión valen la pena. Recientemente lanzaste una crítica al FVA. ¿Qué sugieres como alternativa?

Joannes Vermorel: Entonces, aquí daré una respuesta. No es mía, es en realidad de TOA. Cuando un cirujano extirpa un cáncer de tu cuerpo, ¿con qué lo reemplaza? Con respecto al FVA, mi opinión es que la precisión lograda con el paradigma tradicional es una idea engañosa. No resiste el escrutinio cuando quieres ver la esencia del negocio. ¿Tiene sentido este instrumento matemático, una línea, a un nivel elevado respecto a mi negocio? Y mi proposición es que, si lo observas con un mínimo de atención, no la tiene. Así que, el FVA es simplemente sobre-ingeniería de un proceso basado en un paradigma falso, en una herramienta falsa. Simplemente lo empeoras. El FVA solo aleja a la empresa en la dirección equivocada. Ya tenías un concepto erróneo, esas precisiones basadas en series temporales, y ahora quieres diseñar un proceso adicional para crear una especie de mini burocracia en la empresa. Mi opinión es que no es la primera, ni será la última, burocracia inútil que se introduce en la empresa. Las grandes empresas tienen docenas de burocracias inútiles flotando. Al final, no es el fin del mundo para la empresa tener una burocracia inútil más, pero ¿hará su supply chain más competitiva? No, ni de lejos. Hará exactamente lo contrario. Aunque no vaya a quebrar la empresa, es el tipo de cosa que solo añade costos y la empresa seguirá adelante.

Conor Doherty: Bien, solo voy a rebatir un poco eso, porque a ambos nos gusta la analogía de Thomaso. Cuando un cirujano extirpa un cáncer, ¿con qué lo reemplaza? Si aplicas eso a este contexto, es casi como decir: “Bueno, lo hemos eliminado, siéntate y no pongas nada en su lugar”. ¿Qué llenará ese vacío?

Joannes Vermorel: Permíteme describir la realidad de lo que realmente significa la precisión en una empresa grande. Existe este proceso SNOP con una oficina CES que produce forecasts, y luego la gente evalúa esos forecasts. ¿Se usan? No, no se utilizan. Todas las grandes empresas con las que he estado en contacto durante la última década —más de 200 empresas grandes—, cuando las inspecciono y audito, me doy cuenta de que toda la empresa funciona con hojas de cálculo de shadow IT. Todos esos números que surgen del proceso SNOP no se usan. Los vendedores, la manufactura, la gente de supply chain, así como la logística y la capacidad de transporte, tampoco utilizan esos números. Es como una aldea de Potemkin. Existe esa ilusión de racionalidad en la que la gente produce estas grandiosas cifras con el SNOP y las revisa una vez por trimestre. Pero luego, cada gerente tiene su propia hoja de cálculo secreta al margen que utiliza, y eso es lo que realmente impulsa el negocio. Lo interesante es que cada gerente piensa que es el único que tiene esa hoja secreta. Me ha pasado varias veces que un vicepresidente de supply chain me dijo que tenía una hoja de cálculo secreta porque los números que recibía eran basura. Pero a sus subordinados se les exige que se adhieran al proceso oficial del SNOP. Como parte de la auditoría, entrevisto a los subordinados y me dicen que también tienen una hoja de cálculo secreta. No confían en los números, así que lo hacen de otra manera. Y todos piensan que son los únicos en tener esa hoja secreta. He visto esta situación una y otra vez. Tienes números falsos en el plan SNOP, pero las decisiones finales resultan correctas. ¿Cómo es posible? La respuesta es invariable: hay una hoja de cálculo en algún lugar que ha sido diseñada de manera mucho más alineada con la esencia del negocio. La gente simplemente oculta su hoja de cálculo porque no es la política oficial, pero, sin embargo, es lo que hace que la empresa funcione, no la grandiosa aldea de Potemkin de esos números imponentes.

Conor Doherty: Gracias. Aún nos quedan algunas preguntas por abordar, así que tendré que rogar brevedad en adelante. Esto es de Sean. Él escribe: “La precisión del forecast es un elemento en la supply chain. Puede que no sea la restricción clave en un negocio particular. Capitalizar un forecast mejorado usualmente requiere otros cambios en la supply chain. ¿Estás de acuerdo?”

Joannes Vermorel: ¿Importa capitalizar sobre una máquina de fax mejorada? Ves, eso es lo que intento transmitir. Cuando la gente me dice que tenemos una mejor precisión en el sentido clásico, es lo mismo que decirme que tienes una máquina de fax mejorada. No es que sea una mejora comparada con el status quo, sino que es una mejora en sí misma. Ese es el problema del incrementalismo en la supply chain. La gente solo ve la mejora a través del lente de “sí, es mejor incrementalmente comparado con lo que tenemos”. Si solo puedes pensar en máquinas de fax mejores, no estás en una buena posición. Cuando la gente dice, “Ah, estás hablando de IA, Skynet”, yo comento, por ejemplo, que el email es fundamentalmente más simple que una máquina de fax. Una máquina de fax es más sofisticada, más exigente en términos tecnológicos, y, sin embargo, resulta ser una solución peor en comparación con la alternativa. Ese es mi punto. Cuando dicen, “Oh, tenemos esta mejora”, yo respondo: “Sí, solo tienes una máquina de fax mejor. Felicidades. Pero te estás perdiendo el punto. Te estás perdiendo la oportunidad de hacer algo que sea más simple, mejor, más alineado, más rápido y más eficiente en todos los aspectos.”

Conor Doherty: Gracias. Siguiendo adelante, de parte de Philippe: “Al hablar de estructura en la elaboración de forecasts, ¿puede un forecast basado en series temporales ser un componente de esa estructura hasta cierto punto cuando sea aplicable?”

Joannes Vermorel: Puede ser. Las series temporales son una estructura tan fundamental. Es muy difícil, cuando elaboras algo, no tener series temporales que simplemente surgen accidentalmente, incluso como componente de tu ingrediente predictivo. Mi mensaje no es que no se deba utilizar las series temporales. Eso no es la esencia. Solo digo que, si lo único que tienes son series temporales, es muy simplista. Necesitas ampliar tu vocabulario, tu horizonte. Hay otras cosas, y en esas otras cosas, sí, puedes tener series temporales. Ocurre ocasionalmente.

Conor Doherty: A continuación, desde Manuel, “Las universidades continúan enseñando métodos tradicionales de forecast y enfatizando su precisión. Con la reciente introducción de modelos de aprendizaje automático que consideran muchos factores adicionales, ¿ha cambiado esto el punto de vista presentado hoy?”

Joannes Vermorel: La diferencia entre tener una televisión en blanco y negro, que sería una pantalla clásica, y una luz que proyecta cosas, que sería la gran pantalla plana, es la vieja escuela de las series temporales. El aprendizaje automático simplemente te da la pantalla LCD en blanco y negro. Sigue siendo en blanco y negro; uno tiene mejores cualidades, es más ágil y tiene su lugar. Mi problema con las universidades no es el mejor modelo numérico. Mi problema no es que las universidades no enseñen el algoritmo de forecast correcto, sino que no intentan enseñar la actitud correcta hacia el forecast. ¿Estás mirando la esencia del problema? ¿Estás tratando de producir una declaración cuantificada que tenga sentido para el negocio? ¿Es eso lo que estás haciendo? ¿Tiene sentido? ¿Tomas en cuenta que el futuro no es el simétrico del pasado? Nuevamente, se trata de actitud. Y luego tenemos las tecnicidades. Para mí, entre las series temporales clásicas y el aprendizaje automático, existe un espectro en el mundo. Si miramos la competencia de Walmart en la que obtuvimos el quinto lugar, el truco fue que utilizamos un modelo paramétrico súper simplista con cinco parámetros. ¿Entonces, se cuenta como clásico? Nos ubicamos entre mil equipos competidores, quedamos en el quinto lugar e incluso alcanzamos el primer puesto a nivel de SKU, por encima de todos, con un modelo súper simplista. Lo interesante es que es un modelo súper simplista, de unos cinco parámetros. Así que, en cierto sentido, es un modelo de la vieja escuela, pero la forma en que aprendimos esos parámetros fue a través de una programación diferenciable más elaborada. Entonces, ¿es aprendizaje automático? ¿Es de la vieja escuela? Para mí, hay un continuo que va desde modelos autorregresivos súper clásicos hasta modelos deep learning súper sofisticados. No hay un salto cuántico, todo eso está presente. Mi problema no es que las universidades no enseñen correctamente esos algoritmos de forecast, sino que no enseñan correctamente la actitud hacia el forecast, la mentalidad que debes tener al enfrentarte al futuro con fines de supply chain. Ese es el problema. El objetivo del proceso S&OP es crear una alineación en toda la empresa. Ese sería el objetivo, para que las personas del frente de producción fabriquen lo que será vendido por el equipo de ventas y que los vendedores fabriquen lo que se pueda cumplir. Literalmente, se trata de la alineación corporativa. Pero, en la práctica, las prácticas de S&OP son una serie interminable de reuniones. Eso es lo que son.

Mi punto de vista es que la información fluye a través de los sistemas IT, del paisaje aplicativo. Tenemos paradigmas en competencia. Ni siquiera estamos en la misma sintonía. Digo que la información fluye y, si hay coordinación, no se tratará únicamente de la información. La información fluye a través del paisaje aplicativo. No necesitas que las personas hablen entre sí para crear alineación. Se tratará de las recetas numéricas y de clarificar la intención estratégica de la empresa, lo cual absolutamente no se hace en las reuniones de S&OP. Muchas empresas grandes tienen resultados decentes, pero esos forecast de series temporales son solo parte de las burocracias que no aportan en nada. Podrías eliminarlos y funcionaría perfectamente. Durante los confinamientos de 2020 y 2021, algunas empresas en ciertos países tuvieron partes de su fuerza laboral de oficina que fueron puestas en desempleo técnico durante 14 meses. La empresa seguía operando al 80% de su capacidad. Se redujo, pero no fue nulo. Debido a esos confinamientos, a toda la fuerza laboral de oficina, especialmente en planificación, literalmente se les dijo que se quedaran en casa y que nunca tocaran las computadoras corporativas. Tuvimos un gran experimento en el que todo el departamento de planificación estuvo ausente durante 14 meses y todo estuvo bien. Así que, si una empresa puede operar sin una división durante 14 meses, con toda la gente de esa división ausente, ¿qué dice eso sobre la división? Probablemente que no es exactamente súper crítica para la misión. Incluso tuvimos un caso en el que una gran empresa, un fabricante, esencialmente se convirtió en un ecommerce durante el período de confinamiento. El segmento de ecommerce era el 5% de su negocio antes de los confinamientos. Al final de 2021, ecommerce representaba dos tercios de sus ventas. Así que, la empresa experimentó una transformación masiva, pasando de ser 5% ecommerce a ser de facto una empresa ecommerce. Si tu empresa puede sufrir transformaciones masivas y rápidas y ejecutarlas bien, ¿qué dice eso sobre esas funciones? Estoy desafiando esa noción. No digo que la precisión no importe, especialmente en el sentido específico que Lokad tiene. Pero si observamos cómo se practica habitualmente, he visto una y otra vez que hemos tenido confinamientos; incluso tuvimos el gran experimento de cerrar la división encargada de esas métricas de precisión durante más de un año, 14 meses para ser exactos. ¿Y cuál fue el impacto en el negocio? Nada, el negocio siguió como siempre. Algunos de esos negocios incluso prosperaron después de eso. Eso fue una revelación para mí. Este es un experimento que no debería haber ocurrido, pero sucedió.

Conor Doherty: Gracias. Y la última pregunta, también de Nicholas, posiblemente otra diferente, no lo sé. A menudo encuentro departamentos intentando anular datos estadísticos con corazonadas. ¿Cómo defines el impacto de la precisión del forecast en la mejora del inventario y la experiencia del cliente en tiempo real?

Joannes Vermorel: Ese es el asunto, esta es una pregunta que nunca se hace como parte del paradigma dominante de las precisiones de series temporales. No es una pregunta que se plantee en los libros de texto de supply chain. Esto está ausente. Pero esta no es la única preocupación. Hay todo un ámbito que no tocamos, que es la instrumentalidad del forecast. ¿Qué tan bien se van a utilizar realmente en la empresa? Y esas cuestiones están ausentes. Así que sí, esto es muy importante. Y conectar todos los puntos, desde la decisión hasta el modelo matemático que produce esas declaraciones, es muy importante. Pero eso significa que necesitas recetas numéricas que vayan de principio a fin, desde la generación predictiva de esas declaraciones cuantitativas sobre el futuro hasta la decisión que tomas, y que tengan consecuencias reales con impactos financieros en tu empresa. Y así es como evaluarás si tu modelo predictivo es fiel o no. Estoy usando “fiel” porque no quiero usar la palabra “accurate”. Y parte del arsenal de trucos es esta perspectiva financiera, porque facilita hacer eso. Pero la forma en que se practica habitualmente se detiene a mitad de camino. Existe una gran ilusión que alimentan los libros de texto de supply chain y la mayoría del software de supply chain, que supone que se puede dividir el problema en la etapa del forecast y decir: “de forma aislada, vamos a evaluar lo buenos o lo malos que somos, aislados del resto.” Y esto es un completo sinsentido. No existe algo como evaluar en aislamiento la adecuación o la precisión de un forecast. Se trata solo de comparar modelos matemáticos. Es bueno, pero no es la vida real. Es como si quisieras tener al ganador del campo de tiro. Puede que tengas a un campeón olímpico de tiro, pero si se trata de un ejercicio militar real, la gente no dispara con armas reales en una guerra real de la forma en que dispara en un entorno controlado. Esto es completamente diferente. El punto concluyente es que parte del problema de la precisión es que el propio problema está planteado de forma incorrecta. No es que la precisión sea falsa en el sentido matemático. No es eso lo que estoy diciendo. No estoy diciendo, por ejemplo, que el forecast value added sea incorrecto en un sentido estadístico. Esto no es lo que estoy diciendo. Estoy diciendo que el entorno paradigmático que rodea esos conceptos es inadecuado. Si tienes que elegir entre una corazonada que realmente abarca un negocio y un negocio súper sofisticado pero completamente desajustado, lo aproximadamente correcto supera a lo exactamente equivocado cada día. Eso es lo que pasa. Y la precisión ejemplifica la manera tradicional en que funciona esta mentalidad de “exactamente equivocado”.

Conor Doherty: Joannes, no tengo más preguntas. Quiero decir, sí tengo, pero las guardaré para otro día. Muchas gracias por tu tiempo. Y a todos ustedes que se han quedado con nosotros este largo rato, muchas gracias por su tiempo. Nos vemos la próxima vez.