00:00:00 Introducción a la entrevista
00:01:46 Impacto de la precisión de la previsión en el beneficio
00:03:25 Definición de precisión en la previsión
00:07:36 Evaluación con un instrumento cuantitativo
00:09:35 Las series temporales como una medida
00:11:16 Demanda expresada a nivel de cesta
00:13:22 Analogía de la previsión de series temporales
00:15:17 Limitaciones de las series temporales en el contexto de alimentos perecederos
00:18:51 Las series temporales no reflejan el núcleo del negocio
00:21:41 Mención del valor añadido de la previsión
00:24:47 Discusión sobre la precisión de la previsión como KPI
00:27:55 Enfoque de la industria de la moda en generar deseos
00:30:35 Transición a la discusión de la industria aeroespacial
00:33:05 Enfoque probabilístico de Lokad
00:36:22 Ejemplo de venta de mochilas y decisiones futuras
00:39:34 El suministro precede a la demanda, ejemplo del iPhone
00:42:37 Diferencia entre Lokad y otras empresas
00:46:13 Enfoque de Lokad para la resolución de problemas
00:49:11 Desacuerdo con las perspectivas comunes de la cadena de suministro
00:51:49 Transición a preguntas de la audiencia
00:54:06 La planificación no refleja la comprensión del negocio
00:57:35 La definición de precisión en los libros de texto es irrelevante
01:00:01 Pregunta sobre la precisión de la previsión y la ejecución
01:03:38 Pregunta sobre la comunicación interdepartamental y los silos
01:06:15 Ejemplo de distribuidor B2B de equipos eléctricos
01:09:34 Análisis de cesta más prevalente en B2B
01:12:30 Medición de la precisión de la previsión
01:15:02 Cuestionando el título del video
01:17:10 Analogía de eliminar un cáncer
01:20:32 Hojas de cálculo secretas de los gerentes
01:23:03 Respuesta de Joannes a la pregunta
01:25:00 Pregunta sobre la previsión de series temporales en la estructura de la previsión
01:27:05 Pregunta sobre las universidades que enseñan métodos de previsión tradicionales
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 la supply chain
01:42:13 Ejemplificando la precisión con una mentalidad completamente equivocada
01:42:49 Fin de la entrevista
Resumen
Joannes Vermorel, CEO de Lokad, critica la comprensión tradicional de la precisión de pronóstico en la gestión de la supply chain, argumentando que no refleja el ADN fundamental de un negocio. Sugiere que los pronósticos de series de tiempo, que se utilizan comúnmente, son demasiado simplistas y no representan con precisión el futuro para fines de la supply chain. Vermorel propone un enfoque diferente, centrándose en ser cuantitativamente fiel a la esencia de una empresa. Critica el enfoque en mejoras incrementales y sugiere que las empresas deberían buscar soluciones más simples y mejores. Vermorel enfatiza la importancia de comprender la esencia del problema y producir declaraciones cuantificables que tengan sentido para el negocio.
Resumen Extendido
En una conversación entre Joannes Vermorel, CEO de Lokad, y Conor Doherthy, se exploró el tema de la precisión de pronóstico y su papel en la planificación de la demanda. Vermorel, un empresario francés de software, desafió la comprensión tradicional de la precisión de pronóstico en la gestión de la supply chain, un concepto arraigado en la industria desde la década de 1920. Argumentó que si bien la precisión de pronóstico está directamente relacionada con las ganancias en la especulación del mercado de valores, este modelo no se aplica a la gestión de la supply chain, ya que no hay una traducción directa entre la precisión de pronóstico 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 pronóstico de series de tiempo, un pronóstico periódico con intervalos iguales. Sin embargo, Vermorel criticó este enfoque por hacer suposiciones significativas, como la simetría entre el pasado y el futuro, la localidad de las mediciones y el desconocimiento del entorno computacional o de software. Argumentó que las series de tiempo son un modelo demasiado simplista que no representa fielmente el futuro para fines de la supply chain.
Utilizando el ejemplo de un supermercado, Vermorel ilustró que los pronósticos de series de tiempo ignoran relaciones importantes entre productos. Argumentó que los pronósticos de series de tiempo son ciegos a dimensiones importantes y no reflejan la estructura del futuro. Sugirió que los pronósticos de series de tiempo pueden ser suficientes para pequeñas empresas, pero no para grandes empresas que operan cadenas de suministro complejas.
Vermorel también criticó el enfoque de los libros de texto de la supply chain en las series de tiempo para la precisión, argumentando que no refleja el ADN fundamental de un negocio. Enfatizó que los supermercados están estructurados para vender cestas de productos, no productos individuales. Cuestionó la lógica de utilizar herramientas predictivas que analizan productos de forma aislada cuando los supermercados están diseñados para que los clientes compren muchos artículos a la vez.
Vermorel también habló sobre la complejidad de la demanda, utilizando la perecibilidad 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 cual puede afectar la urgencia de vender ciertos productos.
Vermorel argumentó que las series de tiempo no pueden reflejar con precisión patrones importantes como las cestas y los productos faltantes de stock. Él cree que la precisión de las series de tiempo solo refleja su propio paradigma, por eso Lokad se aparta de este enfoque.
Vermorel también criticó las soluciones matemáticas que son técnicamente correctas pero imprácticas 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 estado afirmando que sus herramientas funcionan durante los últimos 45 años, prometiendo automatizar todo lo relacionado con la cadena de suministro. Argumentó que a pesar de estas afirmaciones, todo se sigue haciendo a través de hojas de cálculo.
Vermorel cree que el problema principal es que la perspectiva de las series de tiempo es incorrecta y no se ajusta a la estructura del problema. Criticó la visión unidimensional del futuro ofrecida por las series de tiempo. Cuando se le preguntó qué se debería perseguir en lugar de la precisión del pronóstico como KPI, Vermorel sugirió que el objetivo debería ser producir declaraciones cuantitativas sobre el futuro que tengan sentido para la empresa.
Vermorel concluyó que las series de tiempo son casi invariablemente incorrectas para la mayoría de los negocios. Comparó tratar de ajustar un modelo matemático con la estructura incorrecta con tratar de encajar una forma redonda en un agujero cuadrado. Sugirió que hay 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 cómo las series de tiempo no tienen sentido para ellos. Argumentó que para pensar en el futuro, es necesario considerar los “halos de deseos”, que no se corresponden con la visión de las series de tiempo.
Vermorel también habló sobre la industria aeroespacial, donde el consumo de piezas está impulsado por el ciclo de vida de las aeronaves. Concluyó que el uso de las series de tiempo es una aproximación hecha a la medida para cualquier vertical de negocio. Comparó el uso de las series de tiempo con aproximar una vaca como una esfera, argumentando que es una mala aproximación para situaciones del mundo real.
Vermorel también habló sobre los problemas que ve en el enfoque tradicional de la gestión de la cadena de suministro, que asume que el pasado es un reflejo exacto del futuro. Argumentó que esto no es cierto, especialmente en la cadena de suministro 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 la cantidad de variantes que una empresa introduce puede tener un impacto significativo en la demanda futura. Argumentó que el enfoque tradicional de decidir primero sobre el surtido y luego hacer el pronóstico no tiene sentido, ya que la demanda no está establecida y está influenciada por las decisiones de la empresa.
Vermorel explicó además que las empresas diseñan su demanda introduciendo productos en el mercado, lo que luego genera demanda para esos productos. Doherthy mencionó la práctica del valor añadido del pronóstico, donde se utilizan ideas de diferentes departamentos para hacer revisiones al pronóstico. Vermorel criticó esta práctica, argumentando que a menudo es solo una forma de respaldar intuiciones con números y no contribuye al proceso real de toma de decisiones.
Vermorel explicó que Lokad utiliza recetas numéricas que son más versátiles y no se limitan a modelos de series temporales. Habló sobre la importancia de hacer una declaración que sea fiel al futuro del negocio y se alinee con lo que la empresa está tratando de lograr. Vermorel enfatizó la importancia de comprender la esencia del negocio y diseñar un modelo sobre ella.
Vermorel criticó la perspectiva expresada en la mayoría de los libros de la cadena de suministro que desestima las especificidades de diferentes verticales. Doherthy le preguntó a Vermorel cómo responde a las grandes empresas exitosas que no están de acuerdo con sus puntos de vista. Vermorel argumentó que las empresas no tienen opiniones, solo las personas que trabajan para ellas. Él cree que muchos ejecutivos de grandes empresas estarían de acuerdo con sus puntos de vista, ya que a menudo se sienten frustrados con el enfoque tradicional de planificación.
Vermorel argumentó que la definición tradicional de precisión del pronóstico en los libros de texto de la cadena de suministro es defectuosa porque se basa en un paradigma de pronóstico de series temporales, que él considera 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 abrazar la incertidumbre a través de pronósticos probabilísticos, pero también enfatizó la necesidad de ir más allá del pensamiento unidimensional y considerar las decisiones futuras que aún no se han tomado.
Vermorel explicó que un pronóstico es solo un ingrediente y no tiene valor en sí mismo. Está de acuerdo con la idea de que el valor de un pronóstico solo se puede evaluar a través de su ejecución en la cadena de suministro. También advirtió contra compartir demasiados KPI entre equipos, argumentando que esto no necesariamente crea valor para la empresa.
Vermorel explicó que compartir datos no debe implicar el 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 contra la creación de burocracia al obligar a otros departamentos a leer informes.
Vermorel argumentó que el concepto de cesta es esencial para las empresas B2B, utilizando el ejemplo de un distribuidor B2B de equipos eléctricos. Explicó que la mayor parte de su negocio está impulsado por obras de construcción, que requieren grandes pedidos de equipos que se entreguen en momentos específicos. Esto, según él, es una forma de análisis de cesta.
Vermorel argumentó que la alternativa al pronóstico de series temporales no tiene que ser una IA compleja. Sugirió que hay muchos otros modelos matemáticos que no son más complicados que las series temporales, simplemente son diferentes.
Vermorel explicó que Lokad utiliza una perspectiva financiera para conciliar los muchos objetivos conflictivos de la cadena de suministro de una gran empresa. Sugirió que expresar todos los objetivos y restricciones en dólares proporciona un lenguaje unificado para gestionar estos conflictos. Enfatizó que esto 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 temporales son lo mismo en el paradigma de la cadena de suministro convencional. Sugiere que Lokad quiere separarlos, y aunque hay una forma de hacer que la precisión importe, es radicalmente diferente de lo que se presenta en los libros de texto de la cadena de suministro.
Vermorel critica FVA por sobreingenierizar un proceso basado en un concepto defectuoso de precisión de series temporales. Argumenta que esto mueve a la empresa en la dirección equivocada, agregando burocracia innecesaria sin hacer que la cadena de suministro sea más competitiva.
Vermorel describe cómo las grandes empresas a menudo se basan en hojas de cálculo no oficiales en lugar de pronósticos oficiales de SNOP. Sugiere que estas hojas de cálculo, que están más alineadas con la esencia del negocio, son las que realmente impulsan el negocio.
Vermorel argumenta que una mejora en comparación con el statu quo no necesariamente es una mejora general. Critica el enfoque en mejoras incrementales y sugiere que las empresas deberían buscar soluciones más simples y mejores.
Vermorel está de acuerdo en que las series temporales pueden ser un componente de la estructura, pero advierte contra depender únicamente de las series temporales. Sugiere que las empresas necesitan ampliar su vocabulario y horizonte.
Vermorel compara las series temporales 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 es un salto cuántico de los métodos clásicos.
Critica a las universidades por no enseñar la actitud correcta hacia el pronóstico, enfatizando la importancia de comprender la esencia del problema y producir declaraciones cuantificables que tengan sentido para el negocio.
Vermorel comparte que Lokad quedó en quinto lugar en la competencia de Walmart utilizando un modelo paramétrico simplista, demostrando que los modelos complejos no siempre son necesarios para el éxito.
Argumenta que hay un continuum desde los modelos clásicos hasta los modelos avanzados de machine learning, y la distinción entre ellos no es tan clara como algunos podrían pensar.
Vermorel reitera su crítica a las universidades por no enseñar la actitud correcta hacia el pronóstico, enfatizando la importancia de la mentalidad correcta al enfrentar problemas futuros de la cadena de suministro.
Explica que el objetivo del proceso de S&OP es crear alineación en toda la empresa, pero en la práctica, a menudo se convierte en 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 aclarar la intención estratégica de la empresa.
Vermorel argumenta que muchas grandes empresas podrían funcionar perfectamente sin sus pronósticos 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 estaban inactivos.
Vermorel sugiere que si una empresa puede funcionar sin una división durante 14 meses, esa división puede no ser crítica para la misión.
Comparte un ejemplo de una empresa que experimentó una transformación masiva durante los confinamientos, pasando del 5% de comercio electrónico a dos tercios de comercio electrónico.
Vermorel cuestiona la importancia de ciertas funciones dentro de una empresa, dado que algunas empresas pudieron experimentar transformaciones masivas y seguir operando de manera efectiva.
Argumenta que la precisión no es el único factor importante en el pronóstico, 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 hacer preguntas importantes sobre la instrumentalidad de los pronósticos.
Enfatiza la importancia de conectar los puntos desde la decisión hasta el modelo matemático y evaluar los impactos financieros del mundo real de esas decisiones.
Vermorel critica la práctica común de evaluar la precisión de un pronóstico 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 incorrectamente, y que una intuición aproximadamente correcta es mejor que un modelo de negocio sofisticado pero desajustado.
La entrevista termina con Conor Doherthy agradeciendo a Vermorel por su tiempo y prometiendo guardar sus preguntas restantes 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 de los pronósticos, 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 responderemos en la segunda mitad de la conversación. Si no están de acuerdo con algo de lo que escuchan, responderemos esas preguntas primero. Así que empecemos. Joannes, somos, creo que es seguro decirlo, una empresa un tanto contraria. Esta podría ser nuestra opinión más contraria. Entonces, antes de entrar en nuestra posición y por qué creemos que la precisión de los pronósticos de la demanda no es importante, ¿por qué tantas empresas consideran que la precisión de los pronósticos es el Santo Grial de la planificación de la demanda?
Joannes Vermorel: El “por qué”, creo que es relativamente sencillo. Es lo que está escrito en los libros de texto de la cadena de suministro. Se ha escrito durante los últimos 50-70 años, tal vez incluso antes de que se llamara cadena de suministro, se llamaba investigación operativa. Sospecho que incluso podríamos remontarnos más atrás, incluso hasta la década de 1920, y encontraríamos la premisa de eso con la aparición de los pronosticadores económicos profesionales. Si llevamos esta idea de la precisión de los pronósticos a sus raíces, que son los pronosticadores económicos en Estados Unidos a principios del siglo XX, entonces la precisión tiene una traducción directa a tus ganancias si juegas el juego de la bolsa de valores. Literalmente, si estás pronosticando el precio de las materias primas, si el precio del hierro aumentará o no, entonces si tienes un pronóstico preciso, potencialmente puedes vencer al mercado y obtener fantásticos rendimientos. Ahora, esto es cierto para la especulación. El problema es si tienes un modelo de pronóstico que pueda vencer al mercado. La respuesta corta es no, al menos no un modelo de fácil acceso. Entonces realmente no puedes vencer al mercado. Hay algunas excepciones a eso, algunas empresas de arbitraje están ganando dinero haciendo eso, pero eso es solo un punto. En cuanto a la cadena de suministro, mi punto es que no hay una traducción directa. Pero mi crítica no está exactamente alineada con eso. Los problemas son más profundos y fundamentales porque no se trata solo de obtener un número y si tienes el número correcto, automáticamente se traducirá en que ganarás dinero, al igual que cuando juegas en la bolsa de valores.
Conor Doherthy: Entonces, ¿estás diciendo que no hay correlación entre el aumento de la precisión de los pronósticos y la rentabilidad final?
Joannes Vermorel: El problema aquí es que hay una confusión con los propios términos. Así que tal vez comience por aclarar 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. Comencemos con la forma de Lokad, que no es convencional, sobre cómo abordamos la precisión. La idea principal de la precisión es que estoy haciendo una afirmación cuantitativa sobre el futuro. La precisión es una calificación en términos de calidad, qué tan buena es, qué tan fiel es, sobre esta afirmación. Entonces tienes una afirmación sobre el futuro, el futuro debería verse así, y esto no es una afirmación cualitativa sino cuantitativa. Y luego, además de esta afirmación cuantitativa sobre el futuro, quieres calificarla para decir qué tan buena es, qué tan fiel es, cómo realmente representa el futuro, y quieres que esta evaluación sea cuantitativa en sí misma. Y eso es lo que debería ser la precisión. Si definimos la precisión de la manera en que lo hago, diría bien, estoy de acuerdo. Esto es muy relevante, esta definición conduce a algo que es significativo y potencialmente rentable para tu empresa. Ahora bien, esta no es en absoluto la definición que encontrarás en los libros de texto de la cadena de suministro, ni siquiera cerca. La definición convencional de precisión es un pronóstico de series temporales. Entonces, cuando las personas hablan de precisión, están hablando implícitamente de un pronóstico de series temporales y no de cualquier tipo de pronóstico de series temporales, será un pronóstico puntual de series temporales equiespaciadas. ¿Qué significa equiespaciadas? Es un pronóstico periódico por día, por semana, por mes, por trimestre, potencialmente por año, potencialmente por hora, intervalos iguales. Entonces, ese es un pronóstico periódico. No es cualquier tipo de pronóstico, puedes imaginar muchos otros pronósticos alternativos, es una serie temporal, unidimensional y periódica, todos los períodos son iguales. Además, estamos hablando de un pronóstico puntual donde cada período obtiene un valor, ese es el pronóstico de series temporales. Mi definición es muy diferente. La que di fue mucho más amplia y no específica sobre qué tipo de afirmación cuantitativa estoy haciendo sobre el futuro. Estoy diciendo que mi definición es completamente agnóstica, simplemente estoy diciendo que estamos tratando de calificar una afirmación sobre el futuro y simplemente estoy diciendo que esta afirmación debería ser cuantitativa. Entonces, no estoy desafiando algo como “Creo que este será un buen año”, no, eso no es una afirmación cuantitativa sobre el futuro, solo algo que es cualitativo. Así que simplemente estoy diciendo que la precisión se aplica a afirmaciones 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 equiespaciadas y pronóstico puntual. Entonces, eso es prácticamente lo fundamental. Hay algunas suposiciones más fundamentales que las personas ni siquiera pueden ver, como la simetría entre el pasado y el futuro, la localidad de las mediciones y el agnosticismo del entorno computacional o de software.
Conor Doherty: Gracias. Y nuevamente, para cuestionar un poco, cuando has descrito la diferencia entre Lokad y el enfoque convencional, para algunas personas puede que no esté claro. ¿Cuál es el problema con la perspectiva de las series temporales? Dices que es unidimensional, está bien, ¿en qué aspecto y por qué es un problema?
Joannes Vermorel: Cuando decides que quieres describir el futuro con afirmaciones cuantitativas, estamos tan acostumbrados, y en los libros de texto, son literalmente libros de texto de supply chain, pero también otros libros de negocios, ni siquiera reconocen que podría haber otra forma de ver el futuro que no sea a través 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 es a través de las series temporales. Y yo digo, definitivamente no. Y más que eso, las series temporales son un modelo increíblemente simplista. Es como una medición con una marca de tiempo en cada período. Es el más simple de los modelos matemáticos que tenemos. ¿Es una representación fiel del futuro? ¿Refleja de manera sensata algo que sabes sobre el futuro? Y mi propuesta es que, para fines de la cadena de suministro, no, ni siquiera cerca. Y si comenzamos con algunos ejemplos, echemos un vistazo, por ejemplo, a la demanda que observará un supermercado. La perspectiva de las series temporales dice que puedes tomar cualquier producto que se venda en el supermercado y tener una serie temporal, una por producto vendido por el supermercado. ¿Es la forma correcta de pensar en la demanda futura? No, ¿por qué? Porque las personas no entran a un supermercado para comprar un producto de forma aislada. Lo que quieren es una cesta, 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 una vez a la semana y compran una cesta completa de productos. Entonces, lo que importa en términos de demanda se expresa a nivel de la cesta. Esto es lo que las personas observarán, lo que sentirán, y si pensamos en términos de calidad de servicio, se percibirá en términos de cestas. Entonces, ¿tengo todas las cosas que necesitaba para mi lista de compras? Entonces, esta percepción que está a nivel de la cesta no tiene nada que ver con esas series temporales aisladas y esas series temporales aisladas simplemente ignoran por completo todas las relaciones que existen entre los productos y todos los sustitutos y canibalización que pueden ocurrir. A veces, son ciegas a esos efectos. Entonces, tenemos un problema de ceguera, que esta dimensión que está en el núcleo de las series temporales ignora las dimensiones superiores que pueden ser extremadamente importantes. Simplemente ignoran por completo todas las relaciones que existen entre los productos y todos los sustitutos y canibalización que pueden ocurrir. Entonces, a veces son ciegas a esos efectos. Entonces tenemos un problema de ceguera.
Esta dimensión, que está en el núcleo de la serie temporal, ignora las dimensiones superiores que pueden ser extremadamente importantes. Y mi propuesta es que no es un accidente. Tomemos el ejemplo de un supermercado, o cualquier empresa, y realmente pensemos en lo que significa el futuro, en lo que estamos mirando realmente. Te darás cuenta de que en el núcleo, no estamos mirando series temporales. Estamos mirando cosas que tienen estructura, pero no necesariamente, y usualmente no, estructura de series temporales. Puede haber algunos negocios increíblemente simplistas, tiendas pequeñas, donde la serie temporal es suficiente, pero esos negocios son la excepción, no la norma, especialmente en el mundo en el que vivimos hoy en día, con grandes empresas que operan grandes cadenas de suministro con una gran complejidad ambiental. Cada serie temporal trataría cualquier artículo dado o cualquier SKU dado en un catálogo de forma independiente de cualquier otro SKU dado. Por lo tanto, si hay interrelaciones, si hay paquetes o sustituciones, será agnóstico o ciego a eso. Y eso en última instancia hace que la precisión para cualquier artículo individual no sea incorrecta, pero sí engañosa. Si quiero hacer una analogía, imagina que tienes un televisor y es en blanco y negro. Esa sería tu previsión de series temporales. Te falta algo. Puedes agregar píxeles, eso sería agregar precisión. Pero aún así solo tienes blanco y negro. Y si piensas, “Oh, pero si agrego muchos píxeles…” Sí, pero aún así estás en blanco y negro. No importa cómo puedas hacer que el televisor sea más grande, puedes aumentar la frecuencia de actualización, aún no tienes colores, solo tienes blanco y negro.
Entonces, estoy tomando esto como un ejemplo donde no importa lo que hagas, si te faltan dimensiones, no puedes salvar el caso. Y hay tantas dimensiones que faltan. Revisitemos este ejemplo de 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 vencimiento y su opinión sobre el producto difiere dependiendo de si queda solo un día de vida para este producto, o si quedan tres semanas. Todavía está muy fresco. Pero si miramos los datos desde una perspectiva de series temporales, esto está ausente. No puedes, a través de una representación de series temporales de tus ventas o demanda de, digamos, un paquete de yogures, representar la frescura. Está ausente. Eso sería, si vuelvo a mi equivalente de televisión, decir: “Bueno, solo tengo blanco y negro, pero ¿sabes qué? Puedo 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 recombinar eso visualmente”. Yo diría: “Sí, pero esa es una solución muy, muy complicada para el problema. No es una buena solución”. Desde una experiencia de usuario práctica, es una porquería completa.
Y eso sería lo mismo si hiciéramos para el supermercado decir que vamos a lidiar con la perecibilidad simplemente agregando más series temporales. Sí, en un sentido técnico, potencialmente podrías hacer eso, pero va a ser una solución muy poco práctica. 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 piensas que tienes 50 unidades en stock pero la mitad de ellas vencen mañana, entonces no tienes realmente 50 unidades en stock. Y eso solo si el cliente no tiene un comportamiento adverso de elegir las unidades que tienen la vida útil más larga.
Los clientes que eligen productos en un estante de un supermercado incluso podrían elegir los productos que tienen la vida útil más larga y, por lo tanto, podrían seleccionar adversamente los productos que son menos urgentes de vender. Entonces, volviendo al caso inicial, las series temporales no pueden, y acabamos de mencionar un ejemplo, supermercado, y ya tenemos dos ejemplos de patrones súper importantes como las cestas y los productos perecederos. Son muy importantes, son muy fundamentales, y no encajan en el paradigma de las series temporales. Y luego la precisión, la precisión del libro de texto, solo refleja el paradigma de las series temporales. Solo se ajusta implícitamente y por eso digo que Lokad diverge. El libro de texto de la cadena de suministro, cuando se trata de precisión, solo se trata de series temporales. Y mi punto es que sí, tienes un instrumento que mide algo que es inconsecuente y no coincide con el ADN fundamental del negocio, lo que hace que el negocio funcione, esas cestas, cosas perecederas. Parece que estás hablando de restricciones. Hay muchas restricciones, muchas otras ni siquiera restricciones, estructura. La estructura básica del problema, es decir, en un supermercado, no se trata de vender unidades, productos uno por uno. Se trata de vender cestas. Esto es lo que hace que el supermercado funcione. Esta es la esencia del supermercado. El supermercado literalmente ha sido diseñado desde el suelo hasta el techo para vender cestas.
Es por eso que tienes esos puntos de venta donde puedes descargar todas tus cosas y hacer que todo avance. Es por eso que 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 porque todo ha sido diseñado, incluido 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 no, no tiene sentido. Entonces, no hay forma de adaptar la perspectiva de las series temporales para reflejar las incógnitas o los intangibles que estás describiendo. Un matemático diría que si apilas suficientes series temporales, puedes hacerlo. Porque ves, siempre podríamos decir que podemos agregar 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 más y más series temporales, entonces sí, técnicamente puedes lidiar con cualquier número de dimensiones porque aumentas la dimensionalidad de tu instrumento simplemente agregando 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 dará una buena solución. Te dará una solución muy teórica. Vale, pero los críticos podrían decir que hay muchas herramientas que se basan en el enfoque de series temporales que en realidad, en la práctica, funcionan. Toma como ejemplo el valor añadido de la previsión. Ahora bien, lo que acabas de describir, supongo, no encaja en eso. Pero las personas que defienden eso dirían que en realidad funciona en contra de todo lo que acabas de decir. Así que sí, las personas han estado afirmando que sus herramientas funcionan desde finales de los años 70. Entonces, desde hace unos 45 años, los proveedores han estado diciendo que tenemos software automatizado avanzado que puede automatizar literalmente todo lo relacionado con la cadena de suministro. Los proveedores han estado diciendo que tenemos software automatizado avanzado que puede automatizar literalmente todo lo relacionado con la cadena de suministro. Y cuando las personas dicen que tenemos software empresarial para hacer gestión, hoy en día cuando las personas dicen que tengo un CRM, gestión de relaciones con los clientes, se trata solo de los registros administrativos, las entradas de datos. Pero si retrocedemos a los años 70, cuando decían gestión, también estaban pensando en las decisiones, toda la inteligencia. Entonces, mi propuesta es que, en teoría, tenemos, desde hace cuatro décadas, software que se supone que robotizan por completo todas esas decisiones: inventario, reabastecimiento, producción, programación, asignación de inventario, optimización de precios. Según los proveedores, todo eso está completamente automatizado, 100% automatizado, desde hace cuatro décadas. Y la mayoría de los proveedores, si observas la forma en que se comunicaban en los años 80, decían que esto sería hecho completamente por la máquina. Solía ser un empleado administrativo quien hacía eso, pero ya no es el caso. En la última década, he conocido a más de 200 directores de cadena de suministro y, invariablemente, hay software en su lugar. Se han implementado una serie de soluciones de software, pero todo se sigue haciendo a través de hojas de cálculo.
Tenemos varias generaciones de software empresarial centrado en la previsión de series temporales que supuestamente automatizan todo. Han estado haciendo esto durante décadas, pero la realidad es que todavía se hace en Excel. ¿Qué salió mal? Creo que el problema principal es que la perspectiva de series temporales es incorrecta. No se ajusta a la estructura del problema. Hay otros problemas, pero el más grande es que no encaja. Esta visión unidimensional del futuro es demasiado simplista y todo se desmorona a partir de ahí. Si no se supone que debemos buscar la precisión de la previsión como KPI, ¿qué deberíamos buscar en su lugar? Primero, necesitamos repensar lo que estamos tratando de resolver. Estamos tratando de 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 afirma en los libros de texto de la cadena de suministro. Los libros de texto de la cadena de suministro afirman que las series temporales son todo lo que necesitas. Mi conclusión, después de observar cientos de empresas, es que esto casi invariablemente es incorrecto. Si hay negocios que se pueden modelar adecuadamente a través de series temporales, son la excepción, no la norma. La estructura no está alineada con una serie temporal. Si intentas proyectar un modelo matemático y no tiene la estructura correcta, no vas a modelar adecuadamente las realidades que estás tratando de modelar. Es como tratar de 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 hay muchas otras formas de hacerlo, y estas otras formas dependen del negocio. Si eres un supermercado, tu ADN son las cestas. Si estás en moda, será completamente diferente. Si eres una empresa de moda, quieres generar deseos, y las series temporales no tienen mucho sentido para eso. Digamos que tienes un nuevo patrón que se vuelve de moda. Puedes generar muchos productos que jueguen con eso, pero puedes tener más o menos productos.
La mayoría de tus clientes están en el medio. Si optas por colores muy extremos, es posible que no tengas suficiente demanda para respaldar tantas variantes. Si quieres pensar en el futuro, debes tener en cuenta esos deseos periféricos, y no es algo que se ajuste a tu visión de series temporales. Si estás vendiendo merchandising de 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 constante durante las últimas décadas. Si nos adentramos en la industria aeroespacial, eso sería algo completamente diferente. El consumo de piezas está impulsado por el hecho de que tienes una flota de aviones. Cada avión tiene un ciclo de vida que dura aproximadamente tres o cuatro décadas. El consumo de piezas seguirá una cierta curva durante este tiempo de vida. La estructura adecuada si quieres respaldar un gran MRO que soporte flotas de aviones es pensar en qué flotas de aviones estoy respaldando y cómo están aumentando y disminuyendo. La realidad es que cuando eliges una industria específica, 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: “Ok, esto es una vaca y vamos a aproximar la vaca como una esfera”. Es bueno para un ejercicio de juguete, pero la vaca no es una esfera en realidad, ni siquiera se acerca a ser una esfera. Entonces, esta es una aproximación muy extravagante. Es bueno para un ejercicio, pero no es bueno para nada real. Si tienes que lidiar con vacas reales, no te aconsejaría que aproximes 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 rutinariamente describimos nuestro enfoque, que es probabilístico, como mejor ser aproximadamente correcto que exactamente incorrecto. ¿Es esto simplemente una diferencia de términos?
Joannes Vermorel: Como dije, primero tenemos la estructura. Y por cierto, eso también es algo en lo que Lokad diverge. Estamos utilizando el enfoque probabilístico como una bandera de unión, 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 sobre la cadena de suministro que solo busca precisión y asume que el pasado es el exacto simétrico del futuro. Esto no es cierto. Esto es cierto en un sentido si estás mirando, digamos, el movimiento de los planetas. Entonces, cosas donde solo eres un observador, la humanidad lo observa y no puede cambiar nada. Entonces, si quieres pronosticar 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 medible tangible en el movimiento del planeta Marte. Pero para la cadena de suministro, no es bueno porque todo tu futuro está condicionado a decisiones que aún no se han tomado. Tu futuro está condicionado a tu decisión futura y no solo a tu decisión futura, sino también a las decisiones futuras que tomarán otras personas como tus competidores. Entonces, hay esta asimetría radical entre el pasado y el futuro y la perspectiva clásica de la serie temporal, que se caracteriza por la precisión, simplemente lo ignora por completo. Ni siquiera se menciona. Ni siquiera existe y ni siquiera se evalúa en este tipo de métricas de precisión. Si quieres hacer una declaración fiel sobre el futuro, sea cual sea esa declaración, debe incorporar en sí misma el hecho de que el futuro aún depende de las decisiones. Quieres hacer una declaración que siga siendo útil a pesar de que las decisiones aún no se hayan tomado.
Conor Doherty: Mucha gente piensa que están en el medio de la demanda y que solo la observan como dijiste, como observadores. Pero estás diciendo que está bien, no controlamos el futuro, pero podemos coautorizarlo con las elecciones que se hagan. ¿Cuáles son esas elecciones para las personas que no están al tanto?
Joannes Vermorel: Digamos que estás vendiendo mochilas. ¿Cuántas vas a vender? Depende primero de cuántas variantes vas a introducir. Si solo tienes una mochila negra y la colocas en todas partes en tu comercio electrónico y todas tus tiendas, tal vez venderás mucho. Pero luego, si tienes más variantes, otras mochilas que son un poco 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 tienes para el futuro no está escrita, no está grabada en piedra. Depende mucho de cuántas variantes introduzcas. Esa es una elección que tienes que hacer. Y si divides el problema, dices que primero quieres decidir la variedad de mochilas y luego pronosticar, diría que esto no tiene sentido. Porque obviamente, si decides primero tu variedad y luego pronosticas, si te das cuenta de que algunos productos no tienen suficiente demanda, los vas a eliminar. Literalmente, estamos diseñando la demanda y eso es lo que hacen las empresas. Esa también es la ley de Jean-Baptiste Say, el economista. La oferta precede a la demanda. Tienes que empujar las cosas al mercado para crear la demanda. Antes de que Apple introdujera el iPhone, la demanda de iPhone en el mercado era exactamente cero. Tienes que lanzar el producto primero al mercado y luego generarás demanda para el producto.
Conor Doherty: Pero operando dentro del paradigma que estás criticando, hay prácticas como el valor agregado del pronóstico donde tienes la demanda y voy al marketing y voy a ventas y obtengo sus ideas. Vamos a introducir x cantidad de variantes y luego, como hay una conciencia de que nuestras decisiones crearán el futuro, se hacen revisiones hacia abajo o hacia arriba.
Joannes Vermorel: Pero diría nuevamente, después de observar empresas durante más de una década, casi una década y media, esas son solo burocracias. Cuando ves cómo suceden realmente las cosas, tienes a algunas personas en la empresa en algún lugar que dicen: “Oh, tenemos una oportunidad, vamos a hacerlo”. Y luego piensan que si lo hacen así, suena poco científico. Entonces, quieren respaldar su intuición con números y algunas personas arrojarán números sobre eso y luego dirán: “Ok, tenemos números, ahora es científico, lo hacemos”. Pero no, fue una intuición muy válida sobre el mercado, fue un razonamiento de alto nivel muy válido sobre algo y luego tuvieron el cálculo de la servilleta para dimensionar adecuadamente la iniciativa. Y luego todo lo demás fue solo burocracia para sellar 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 nada 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, nos brindan información sobre sus planes futuros y lo incorporamos a la receta numérica. La diferencia funcional es que fundamentalmente tenemos recetas numéricas mucho más versátiles. No estamos limitados 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.
Bajo el capó, el modelo no es unidimensional. La mayoría de nuestros modelos predictivos no funcionan como modelos de pronóstico de series temporales. Tenemos 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 esté alineada con lo que realmente estamos tratando de 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 tal vez tres a cinco décadas. Esto está muy bien definido, por lo que literalmente podemos incorporar esas cosas en nuestros modelos. Cuando trabajamos con clientes, tenemos modelos en los que simplemente hacemos cosas simples. Nos tomamos el tiempo para entender lo que están tratando de resolver y qué afirmaciones tendrían sentido para ser fieles al futuro de su negocio. Es muy diferente. Si tenemos una métrica de precisión, partimos de la esencia del negocio, tratamos de capturar la estructura y luego creamos algo encima de ella. Ni siquiera se trata de capturar las peculiaridades de un sector vertical, sino de su ADN. Por ejemplo, en la aviación, tienes que tener en cuenta que lo que estás guardando como repuestos son aviones. En la moda, hay ciertas modas y tendencias que van y vienen. En la aviación, tienes flotas que van y vienen. Por ejemplo, el Boeing 747 está siendo retirado, pero el Airbus 350 está siendo introducido. Si quieres hacer moda y dices que vas a ignorar la novedad, mi respuesta a eso es que no va a terminar bien. Estoy en total desacuerdo con la perspectiva que se expresa en la mayoría de los libros de la cadena de suministro de que estas cosas son detalles. No lo son. No puedes abordar un sector vertical siendo completamente despectivo con lo que hace que este sector sea específico. No puedes hacer merchandising para equipos deportivos sin ignorar el hecho de que tienes torneos y que cada año la estructura de tu problema es que tienes un equipo que gana. Por ejemplo, volvamos a esta empresa que vende accesorios para equipos de béisbol. ¿Cómo encajas el hecho de que siempre hay un equipo ganador y solo uno en una serie temporal? Estás diseñando tu precisión. Estás diseñando algo encima de un modelo, este modelo de series temporales, que no tiene sentido. Obtendrás números, pero…
Conor Doherty: Bueno, tengo en cuenta que quiero empezar a concluir y ver algunas preguntas del público. Somos una empresa impulsada por el resultado financiero desde una perspectiva puramente financiera. Hay una crítica simple que puede que ya se haya hecho, no lo sé, pero te la planteo ahora. Hay empresas multimillonarias que están en total desacuerdo con casi todo lo que acabas de decir. Empresas multimillonarias que han estado funcionando durante un siglo o más. ¿Cómo respondes a aquellos que dicen: “Mira nuestro saldo bancario, Joannes, estamos en desacuerdo contigo”?
Joannes Vermorel: En varios niveles, primero, las empresas no están de acuerdo o en desacuerdo con nada. Las empresas son simplemente grandes colecciones de personas, no tienen una opinión en sí mismas. Solo las personas que trabajan para esas empresas lo hacen. Entonces, las empresas hacen muchas cosas, muchas cosas, especialmente en las grandes empresas, son simplemente accidentales. No se planificaron de esa manera, simplemente sucedieron así. Esos son los accidentes. Cuando decimos que estoy en desacuerdo con las series de tiempo, mi experiencia es que cuando discuto con ejecutivos de grandes empresas, muy a menudo están de acuerdo con esos fundamentos que acabo de mencionar. Cuando discuto con el CEO de una gran empresa de moda, generalmente está extremadamente desconcertado por qué los equipos de planificación quieren ajustar absolutamente todo a las series de tiempo, lo cual no coincide en absoluto 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, generalmente tienen mucha frustración con la forma en que se hace la planificación porque simplemente no refleja su percepción y comprensión básica de su propio negocio. Al final del día, confío más en mi intuición que en los números que provienen del equipo de planificación. El hecho de que esos ejecutivos estén diciendo eso y que la empresa tenga éxito demuestra que están haciendo lo correcto. Tienen un equipo de planificación porque no pueden escalar su intuición. Entonces, necesitas más números, necesitas este equipo de planificación y necesitas esas herramientas, pero en realidad no son super buenas. Me desvío significativamente de lo que está escrito en los libros de texto, pero no estoy seguro de que me esté desviando tanto de la intuición de la mayoría de los ejecutivos con los que he tenido la oportunidad de hablar.
Conor Doherty: ¿Puedes hacer un resumen de tu posición sobre por qué la precisión de la previsión no es importante y luego haremos la transición?
Joannes Vermorel: No es importante porque si tomo la definición de libro de texto de la cadena de suministro, está completamente equivocada. Se basa en un paradigma defectuoso que es un paradigma de previsión de series de tiempo que está completamente equivocado. Por eso digo que es una incompatibilidad paradigmática completa. No coincide con el problema que intenta resolver y, por lo tanto, es simplemente una solución matemática o estadística elegante para el problema equivocado. Entonces, no importa en este sentido. Sin embargo, si decimos el enfoque de Lokad, que es si tenemos algo que es cuantitativamente fiel a la esencia de la empresa, entonces sí importa mucho.
Conor Doherty: Gracias a todos por sus preguntas. No estoy seguro de si haremos todo lo posible para responderlas en el orden en que se presentaron detrás de escena. Entonces, estoy leyendo lo que se me presentó y algunas de estas son declaraciones a las que, supongo, responderás. Entonces, de un tal Dustin, “La precisión de la previsión es importante, sin embargo, el método actual de cuantificarlo midiendo la precisión de una previsión puntual es limitante. El objetivo final debería ser medir la precisión de una distribución de probabilidades. ¿Estás de acuerdo?”
Joannes Vermorel: Una vez más, Lokad, avanzamos hacia la previsión probabilística en la dirección correcta. La previsión probabilística te permite abrazar la incertidumbre. Pero aún así, no es suficiente. Por eso digo que sí, abrazar la incertidumbre es ciertamente necesario, Lokad, estamos a favor de ello. Pero nuevamente, si sigues siendo unidimensional, aún no es bueno. Y si aún tratas el pasado como un reflejo simétrico del futuro, aún estás desestimando por completo este potencial de decisiones que aún no se han tomado.
Conor Doherty: ¿Estás sugiriendo que la precisión de la previsión se trata más de la precisión de la ejecución, que abarca información tanto de cambios internos como externos? Desde una perspectiva de previsión, ¿debería centrarse en la cantidad y el valor? Paulo cree que los KPI tienen más importancia cuando se comparten entre diferentes funciones, especialmente comerciales, de marketing y financieras. En tu opinión, ¿son útiles los escenarios positivos y negativos? Hay muchas preguntas pequeñas allí, te dejaré elegir.
Joannes Vermorel: Eso es algo muy interesante. Primero, una previsión es un ingrediente, un artefacto en sí mismo. No hace nada por una empresa. Si produces una declaración cuantitativa sobre el futuro, el software es solo un artefacto. No tiene valor en sí mismo. Creo que Paulo tiene toda la razón en que cualquier evaluación no puede ser algo intrínseco a la previsión. Solo a través de la ejecución de la cadena de suministro puedes evaluar si este instrumento, este artefacto numérico, fue adecuado o no. Produces tu artefacto numérico, tu previsión, y luego solo puedes juzgar si fue una buena o mala previsión por sus consecuencias, sus consecuencias de largo alcance. Ahí es donde necesitas retroceder desde las consecuencias de largo alcance hasta la receta numérica utilizada para producir la previsión para evaluar si fue buena o mala. Ese es un enfoque muy consecuente que tengo con la previsión.
En cuanto a los KPI al compartirlos con los diferentes departamentos, diría que tengan cuidado. Las empresas no ganan dinero teniendo personas leyendo números. Compartir números entre equipos está bien, pero ¿crea valor para la empresa? No realmente. Y cuando la gente dice KPI, se supone que es clave, como indicadores clave de rendimiento, supuestamente unos pocos. Pero mi observación es que las empresas tienen docenas, cientos, a veces miles de KPI. Entonces no son KPI, son indicadores de rendimiento, como un montón de indicadores de rendimiento. Mi punto es, sí, hasta cierto punto, pero cuidado. Las empresas ya están pagando a demasiadas personas para pasar tiempo viendo métricas mientras hacen muy poco después.
Conor Doherty: Solo quiero hacer un seguimiento rápido de eso porque corrígeme si me equivoco, estás diciendo que compartir demasiada comunicación interdepartamental puede ser malo. Pero ¿no es lo opuesto a eso silos, que sé que no te gusta particularmente?
Joannes Vermorel: ¿Qué van a hacer las personas con esos números? Mi opinión es que si quieres compartir datos, no deberían pasar por los ojos y el cerebro de los humanos. Estamos hablando de un cliente típico para nosotros que tiene más de un terabyte de datos de transacciones. Eso es mucho. Entonces, realistamente, si decimos que, ya sabes, a través de tus ojos, ¿cuántos dígitos puedes leer por segundo? Algo así como cinco dígitos por segundo. Tomaría toda una vida canalizar estos datos a través de los cerebros humanos. Entonces, obviamente, los datos, cuando decimos que queremos compartir datos, no queremos decir que tengan que pasar por las personas. Romper los silos no se trata de asegurarse de que Bob del otro departamento tenga que consumir todos los datos que produces y generas y los informes y demás. Se trata simplemente de asegurarse de que todos tengan acceso programático a todos los datos que existen en la empresa para que puedan optimizar sus propias decisiones. Y si tienen que coordinarse, se trata de alinear las recetas numéricas mismas que toman las diversas decisiones. No significa que las personas mismas tengan que usar su propio tiempo y ancho de banda humano para procesar manualmente estos datos. Romper los silos no se trata de generar trabajo para el otro departamento creando un informe que esperas que las personas del otro departamento lean. Aquí, simplemente estás creando burocracia. Simplemente creas una tarea burocrática que impones a otro departamento. Y mi intuición es que la mayoría de las veces, cuando haces eso, no va a terminar en algo rentable para la empresa. Puede ser, pero no es seguro y la mayoría de las veces no lo será.
Conor Doherty: Gracias por eso. Tengo en cuenta que tenemos tiempo limitado, así que esta pregunta es de Sashin o Sain. ¿Qué tan aplicable es el concepto de la cesta o la perspectiva de la cesta para las empresas B2B en lugar de 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 está impulsado por sitios de construcción. Entonces sí, ocasionalmente habrá 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 está impulsado por sitios de construcción. Hay una nueva torre y dentro de 6 meses, necesitas 4,000 interruptores de luz del mismo modelo al mismo tiempo y necesitas 200 km de cable, literalmente. Y así tenemos, y esto no es un caso excepcional, esto es algo muy clásico cuando se trata de construcción civil. Hay un edificio que se está construyendo, habrá empresas que hagan grandes pedidos para equipar el edificio en términos de equipos eléctricos. Y digamos que 6 meses antes, no esperarán que este distribuidor de equipos eléctricos tenga todo en stock. Nadie tiene esta cantidad de stock disponible de inmediato, y la empresa que realiza la instalación del edificio lo sabe. Así que meses antes, harán un gran pedido y saben que no estará disponible, por lo que lo hacen con meses de anticipación. Pero dicen que te damos mucho tiempo, pero en esta fecha del próximo año, finales de marzo, queremos tener todo listo porque luego procederemos con la implementación en el edificio y necesitamos cada cosa. Así que tenemos un gran pedido, mil referencias, para cada referencia hay cientos de unidades y necesitamos cada cosa hasta la última unidad perfectamente disponible en esta fecha. Y no te engañamos, te damos muchos meses para que esto suceda. Y esto es lo que, así que ves en este caso, lo interesante es que nos desviamos nuevamente de la serie temporal. Tenemos demanda, pero si piensas en la demanda como una serie temporal, te estás perdiendo el punto. El punto es que tienes dos fechas, tienes la fecha del pedido y tienes la fecha de disponibilidad prevista para la mercancía. Así que esto también es una cesta, esto es B2B y viene con una complejidad adicional en comparación con el supermercado donde todo lo que necesitas se anuncia con anticipación. Ahora, ¿se conoce perfectamente? No, porque lo que sucede es que puede haber pequeñas desviaciones en los horarios de construcción y luego el cliente puede volver a ti y decir que necesitamos esas cosas una semana antes o una semana después. Así que ves que todavía hay cierta variabilidad y a medida que avanza el sitio de construcción, pueden hacer ajustes marginales a su cesta. Pero aún tienes la mayor parte de la información disponible con mucho tiempo. Así que ves de nuevo, incluso si estamos hablando de B2B, tenemos este tipo de fenómenos. Incluso más, diría que B2B se trata principalmente de negocios repetitivos con socios bien identificados. Por lo tanto, este tipo de análisis de cesta es aún más prevalente en B2B que en el comercio minorista B2C.
Conor Doherty: De Stefan, o Stefane, el francés, creo que Stefan tiene un comentario. Él dice: “Potencialmente se puede alimentar una gran cantidad de datos, estructurados o no, a una IA avanzada para obtener un pronóstico. Sin embargo, ¿hay un problema con esto, verdad?” Esa es una pregunta. Tal vez lo sepas.
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 crees eso? Si todo lo que has visto en tu vida son formas redondas, 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 estoy diciendo. No estoy diciendo que la alternativa a una forma redonda sea algo imposiblemente complicado. Podría ser simplemente una forma cuadrada. No estoy diciendo que la alternativa a una serie temporal sea una IA de nivel Skynet o algo así. La mayoría de los modelos que Lokad utiliza son muy simples, simplemente no son series temporales. Existe este tipo de culto que dice que tiene que ser una serie temporal. Yo digo, ¿por qué no? Las matemáticas son vastas, hay toneladas de cosas alternativas que se pueden hacer que no son más complicadas que las series temporales. Son diferentes. Las series temporales son las más simples de las más simples, sí, son un poco más complicadas, un poco, porque casi no hay nada más simple que las series temporales. Las series temporales son literalmente una cantidad con una dimensión de tiempo, por lo que es difícil de hacer porque tendremos que lidiar con la dimensión del tiempo. Es difícil ser más simple que las series temporales porque las series temporales ya son súper simplistas. Pero eso no significa que la alternativa a las series temporales sea una IA de nivel Skynet. Esos modelos siguen siendo paramétricos, muy simples, y se trata simplemente de abrazar la estructura del problema que estás tratando de resolver. Cuando describo la estructura de los problemas, como una serie de juegos de béisbol con un ganador cada año, los otros equipos pierden, no estamos hablando de estructuras imposiblemente complicadas. Esas cosas no son tan complicadas, se pueden describir en minutos, y los modelos que Lokad utiliza típicamente también se pueden describir en minutos. Las series temporales se pueden describir en segundos, por lo que nos adentramos más en el tipo de cosas que necesitan minutos para ser descritas.
Conor Doherty: Bueno, en cuanto a la diferencia entre las formas, y seguiré brevemente con esto, cuando la gente habla de medir qué tan buena o fiel fue una previsión, miran la precisión. Nosotros no lo hacemos. La otra forma que usamos es el impacto financiero. ¿Es esa la forma alternativa?
Joannes Vermorel: Eso es parte de nuestro repertorio de trucos. La perspectiva financiera no es algo en lo que insistamos. Es solo que, en mi experiencia, cuando lidiamos con una gran empresa con una vasta cadena de suministro para gestionar, tenemos un problema de conciliación de docenas de objetivos conflictivos. Tienes tantos objetivos. Eres una gran empresa, no quieres desperdiciar, quieres alta calidad de servicio, quieres utilizar al máximo tu almacén y tus activos, tienes restricciones como el espacio de almacenamiento máximo, tienes vida útil. Entonces, tienes restricciones y objetivos por todas partes. Necesitamos un lenguaje para unificar todo eso. Es algo muy práctico. Estas cosas se contradicen entre sí. La calidad de servicio se contradice con el desperdicio. Si dices que quieres tener un nivel de servicio súper alto, entonces, si optamos por productos perecederos, tendrás un nivel de servicio muy alto, lo que significa que a veces tendrás inventario que caduca y que tienes que desechar, por lo que creas desperdicio. Hay tensión. No puedes decir que no tienes desperdicio y que tienes una calidad de servicio muy alta. Si tienes una alta calidad de servicio, tendrás algo de desperdicio, y si eliminas por completo el desperdicio, significa que con frecuencia te quedarás sin stock. Esto es inevitable. Es simplemente el diseño del problema en sí mismo. Tienes esos objetivos conflictivos. Así que ahora, ampliemos eso. Tenemos una gran empresa, necesitamos unificar todas esas cosas, y mi propuesta, que ha sido el repertorio de trucos que utiliza Lokad, es que si expresamos todo eso en dólares, tenemos la lingua franca. Tenemos la forma de unificarlo todo. Es solo un repertorio 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 solo una cuestión de practicidad a gran escala.
Conor Doherty: Gracias. Entonces, ¿debería este video titulare “¿Importa la serie temporal?” Crees que cuantificar la incertidumbre y la precisión de la previsión es vital, pero no estás de acuerdo con los métodos actuales, ¿correcto?
Joannes Vermorel: Nuevamente, la precisión y la serie temporal son lo mismo. Si miras los libros de texto de la cadena de suministro, nunca he visto ningún libro de texto de la cadena de suministro en el que la precisión no esté inmediatamente asociada con una serie temporal. La mayoría de los libros de texto de la cadena de suministro ni siquiera se molestarían en dar la definición matemática de una serie temporal. Pasarían directamente a la definición de precisión, que en sí misma define la serie temporal. Entonces, ves, esas cosas son coesenciales en el paradigma dominante de la cadena de suministro. Son una y la misma cosa. Y Lokad está diciendo que queremos separarlas. De hecho, hay una forma de hacer que la precisión importe, pero es algo tan radicalmente diferente de lo que se presenta en esos libros de texto de la cadena de suministro que tengo muchas dudas. Estoy en la cuerda floja de llamarlo precisión. La precisión es un buen término, es válido, y eso es lo que hacemos moralmente. Pero lo que estamos haciendo es una partida tan radical de lo que se encuentra en el libro de texto de la cadena de suministro que simplemente crea confusión cuando usamos el mismo término.
Conor Doherty: Gracias. Creo que hemos tocado este tema en las dos últimas preguntas. Esto es de Constantine. Algunos defienden el FVA, tu favorito, como un medio para determinar si los esfuerzos por mejorar la precisión valen la pena. Recientemente publicaste una crítica al FVA. ¿Qué sugieres como alternativa?
Joannes Vermorel: Entonces, aquí daré una respuesta. No es mía, en realidad es de TOA. Cuando un cirujano extirpa un cáncer de tu cuerpo, ¿con qué lo reemplazas? Entonces, con el FVA, mi opinión es que la precisión lograda con el paradigma principal es una idea falsa. No se sostiene cuando quieres analizar la esencia del negocio. ¿Este instrumento matemático, una línea, tiene sentido a un nivel alto con mi negocio? Y mi propuesta es que cuando lo analizas con un mínimo de atención, no lo tiene. Entonces, ahora, el FVA es simplemente sobreingeniería de un proceso sobre un paradigma y una herramienta falsos. Solo estás empeorando las cosas. El FVA solo aleja aún más a la empresa en la dirección equivocada. Entonces, tenías un concepto falso, la precisión de las series de tiempo, y ahora quieres diseñar un proceso sobre eso para crear una especie de mini burocracia en la empresa. Entonces, 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 alrededor. Entonces, al final, no es el fin del juego para la empresa solo tener una burocracia inútil más flotando alrededor. Pero, ¿hará que la cadena de suministro de la empresa sea más competitiva? No, ni siquiera cerca. Hará exactamente lo contrario. Aunque tampoco va a arruinar la empresa. Es algo que simplemente agrega costos y la empresa seguirá adelante.
Conor Doherty: Bueno, voy a contradecirte un poco porque a ambos nos gusta la analogía de Thomaso. Cuando un cirujano extirpa un cáncer, ¿qué pone en su lugar? Si aplicáramos eso a este contexto, es casi como decir, bueno, hemos eliminado esto, quédate de brazos cruzados, 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 gran empresa. Existe este proceso SNOP con una oficina CES que produce pronósticos, y luego las personas evalúan esos pronósticos. ¿Se utilizan? No, no se utilizan. Todas las grandes empresas con las que he estado en contacto durante la última década, más de 200 grandes empresas, cuando las inspecciono y las audito, me doy cuenta de que toda la empresa funciona con hojas de cálculo de TI en la sombra. Todos esos números que fluyen del proceso SNOP, no se utilizan. Los vendedores, la fabricación, las personas de la cadena de suministro, las personas de logística, la capacidad de transporte, tampoco utilizan esos números. Es como un pueblo de Potemkin. Hay esta ilusión de racionalidad donde las personas producen estas grandes cosas con SNOP y lo revisan una vez por trimestre. Pero luego, cada gerente tiene su propia hoja de cálculo secreta en el costado que utiliza, y esto es lo que impulsa el negocio. Lo interesante es que cada gerente cree que es el único que tiene esta hoja de cálculo oculta. He tenido varias veces donde un vicepresidente de cadena de suministro me dijo que tiene una hoja de cálculo secreta porque los números que obtiene son basura. Pero para sus subordinados, exige que se adhieran al proceso SNOP oficial. Como parte de la auditoría, entrevisto a los subordinados y me dicen que tienen una hoja de cálculo secreta. No confían en los números, por lo que lo hacen de manera diferente. Y todos creen que son los únicos que tienen esta hoja de cálculo secreta. He visto esta situación una y otra vez. Tienes números falsos en el plan SNOP, pero las decisiones finales salen bien. ¿Cómo es posible? La respuesta es invariablemente que hay una hoja de cálculo en algún lugar que está diseñada de una manera que se alinea mucho más con la esencia del negocio. Las personas simplemente ocultan la hoja de cálculo porque no es la política oficial, pero sin embargo, es lo que hace que la empresa funcione, no los grandes números de ese pueblo de Potemkin.
Conor Doherty: Gracias. Todavía tenemos algunas preguntas más por responder, así que tendré que pedir brevedad de ahora en adelante. Esto es de Sean. Él escribe: “La precisión del pronóstico es un elemento en la cadena de suministro. Puede que no sea la restricción clave en un negocio en particular. Aprovechar un pronóstico mejorado generalmente requiere otros cambios en la cadena de suministro. ¿Estás de acuerdo?”
Joannes Vermorel: ¿Importa aprovechar una máquina de fax mejorada? Ves, eso es lo que estoy tratando de transmitir. Cuando la gente me dice que tenemos una mejor precisión en el sentido clásico, es lo mismo que decirme que tienes una mejor máquina de fax. No es porque sea una mejora en comparación con el estado actual que sea una mejora en general. Esa es la maldición del incrementalismo en la cadena de suministro. La gente solo ve mejoras a través del prisma de “Sí, es incrementalmente mejor en comparación con lo que tenemos”. Si solo puedes pensar en mejores máquinas de fax, no estás en una buena posición. Cuando la gente dice: “Oh, estás hablando de IA, Skynet”, yo digo, por ejemplo, que el correo electrónico es fundamentalmente más simple que una máquina de fax. Una máquina de fax es más sofisticada, más exigente en términos de tecnología, y sin embargo es una solución más mala en comparación con la alternativa. Ese es mi punto. Cuando la gente dice: “Oh, tenemos esta mejora”, yo digo: “Sí, simplemente tienes una mejor máquina de fax. Felicidades. Pero te estás perdiendo el punto. Te estás perdiendo la oportunidad de hacer algo que sea más simple, mejor, más alineado, más rápido, más eficiente en todos los aspectos”.
Conor Doherty: Gracias. Pasando a la siguiente pregunta, de Philippe: “Cuando se discute la estructura en el pronóstico, ¿puede un pronóstico de series temporales ser un componente de esa estructura en cierta medida cuando corresponda?”
Joannes Vermorel: Puede serlo. Las series temporales son una estructura tan fundamental. Es muy difícil cuando creas algo no tener series temporales que simplemente surjan accidentalmente incluso como un componente de tu ingrediente predictivo. Mi mensaje no es que no se deban usar las series temporales. Esa no es la esencia. Solo estoy diciendo que si todo lo 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. Ocasionalmente sucede.
Conor Doherty: A continuación, de Manuel: “Las universidades continúan enseñando métodos de pronóstico tradicionales y enfatizando su precisión. ¿Ha cambiado esto el punto de vista presentado hoy con la reciente introducción de modelos de aprendizaje automático que consideran muchos factores adicionales?”
Joannes Vermorel: La diferencia entre tener un televisor en blanco y negro, que sería una pantalla clásica, y una luz que proyecta cosas, que sería la pantalla plana grande, eso serían las series temporales antiguas. El aprendizaje automático simplemente te da la pantalla LCD en blanco y negro. Aún es en blanco y negro, uno tiene mejores cualidades, es más delgado, 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 pronóstico correcto, es que no intentan enseñar la actitud correcta para el pronóstico. ¿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? ¿Tienes en cuenta el hecho de que el futuro no es simétrico al pasado? Nuevamente, actitud. Y luego tenemos las cuestiones técnicas. Para mí, las series temporales clásicas y el aprendizaje automático, hay un espectro mundial. Si miramos la competencia de Walmart en la que obtuvimos el quinto lugar, el truco fue que usamos un modelo paramétrico súper simplista con cinco parámetros. Entonces, ¿cuenta como clásico? Nos clasificamos entre mil equipos competidores, quedamos en el quinto lugar e incluso quedamos en el primer lugar a nivel de SKU, por encima de todos, con un modelo súper simplista. Lo interesante es que es un modelo súper simplista, como de cinco parámetros. Entonces, en cierto sentido, es un modelo antiguo, pero la forma en que aprendimos esos parámetros fue a través de una programación diferenciable más elaborada. Entonces, ¿es aprendizaje automático? ¿Es antiguo? Para mí, hay un continuo mundial desde modelos autorregresivos súper clásicos hasta modelos de deep learning súper sofisticados. No hay un salto cuántico, todo eso está ahí. Mi problema no es que las universidades no enseñen correctamente esos algoritmos de pronóstico, es que no enseñan correctamente la actitud de pronóstico, la mentalidad que necesitas tener al tratar con el futuro para fines de la cadena de suministro. 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 en el frente de producción produzcan lo que será vendido por el equipo de ventas y que los vendedores produzcan lo que se puede cumplir. Es literalmente sobre la alineación corporativa. Pero en la práctica, las prácticas de S&OP son una serie interminable de reuniones. Eso es lo que es.
Mi opinión es que la información fluye a través de los sistemas de TI, el panorama aplicativo. Tenemos paradigmas en competencia. Ni siquiera estamos en la misma página. Digo que la información fluye y si hay coordinación, no se tratará de la información. La información fluye a través del panorama aplicativo. No necesitas que las personas hablen entre sí si tienes que crear alineación. Se tratará de las recetas numéricas y de aclarar la intención estratégica de la empresa, lo cual no tiene nada que ver con lo que se hace en las reuniones de S&OP. Muchas empresas grandes tienen resultados decentes, pero esas previsiones de series temporales son solo parte de las burocracias que no contribuyen en absoluto a nada. Podrías eliminarlas y funcionaría perfectamente. Durante los confinamientos de 2020 y 2021, algunas empresas en algunos países tuvieron a parte de su fuerza laboral de cuello blanco en desempleo técnico durante 14 meses. La empresa seguía funcionando al 80% de su capacidad. Se redujo, pero no fue cero. Debido a esos confinamientos, toda la fuerza laboral de cuello blanco, especialmente la del área de planificación, recibió la orden de quedarse en casa y no tocar nunca las computadoras corporativas. Tuvimos un gran experimento en el que el departamento de planificación completo desapareció durante 14 meses y todo estaba bien. Entonces, si una empresa puede funcionar sin una división durante 14 meses con todas las personas de esa división ausentes, ¿qué dice eso de la división? Probablemente que no es exactamente crítica para la misión. Incluso tuvimos un caso en el que una gran empresa, un fabricante, se convirtió prácticamente en un comercio electrónico durante el período de confinamiento. El segmento de comercio electrónico representaba el 5% de su negocio antes de los confinamientos. A finales de 2021, el comercio electrónico representaba dos tercios de sus ventas. Por lo tanto, la empresa experimentó una transformación masiva al pasar del 5% de comercio electrónico a ser de facto una empresa de comercio electrónico. Si tu empresa puede someterse a transformaciones masivas y rápidas y ejecutarlas bien, ¿qué dice eso de esas funciones? Estoy desafiando esa noción. No digo que la precisión no importe, especialmente en el sentido específico que tiene Lokad. Pero si observamos cómo se practica habitualmente, he observado una y otra vez que hemos tenido confinamientos, incluso hemos tenido el gran experimento de cerrar la división encargada de esas métricas de precisión durante más de un año, exactamente 14 meses. ¿Y cuál fue el impacto en el negocio? Nada, todo siguió como siempre. Incluso algunas de esas empresas prosperaron después de eso. Eso fue revelador para mí. Este es un experimento que no debería haber ocurrido, pero ocurrió.
Conor Doherty: Gracias. Y la última pregunta, también de Nicholas, posiblemente sea diferente, no lo sé. A menudo encuentro departamentos que intentan anular los datos estadísticos con corazonadas. ¿Cómo defines el impacto de la precisión de las previsiones en la mejora del inventario y la experiencia del cliente en tiempo real?
Joannes Vermorel: Esa es la cuestión, esta es una pregunta que nunca se plantea como parte del paradigma de precisión de series temporales predominante. No es una pregunta que se haga en los libros de texto de la cadena de suministro. Esto está ausente. Pero esta no es la única preocupación. Hay toda una área que no hemos tocado, que es la instrumentalidad de la previsión. ¿Qué tan bien se utilizan realmente en la empresa? Y esas cosas están ausentes. Así que sí, esto es muy importante. Y conectar todos los puntos desde la decisión hasta el modelo matemático que produce esas afirmaciones es muy importante. Pero eso significa que necesitas recetas numéricas que vayan de principio a fin, desde la generación predictiva de esas afirmaciones cuantitativas sobre el futuro hasta la decisión que tomas, y que tienen consecuencias reales en el mundo real 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 precisa. Y parte del conjunto de trucos es esta perspectiva financiera porque facilita hacer eso. Pero la forma en que generalmente se practica, se detiene a medio camino. Existe esta gran ilusión que se entretiene en los libros de texto de la cadena de suministro y la mayoría del software de la cadena de suministro también, de que puedes resolver el problema en la etapa de pronóstico y decir de manera aislada qué tan buenos somos o qué tan malos somos en aislamiento con el resto. Y esto es completamente absurdo. No existe tal cosa como evaluar de manera aislada la adecuación o la precisión de un pronóstico. Esto se trata simplemente de comparar modelos matemáticos. Es bueno, pero no es la vida real. Es como si quisieras tener al ganador del campo de tiro. Puedes tener un campeón olímpico de tiro, pero si se trata de un ejercicio militar real, las personas no disparan con armas reales en una guerra real de la misma manera que las personas disparan en un entorno controlado. Esto es completamente diferente. El punto concluyente es que parte del problema de la precisión es que el problema en sí está planteado incorrectamente. No estoy diciendo que la precisión sea falsa en el sentido matemático. Eso 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 frente a un negocio super sofisticado pero completamente desajustado, aproximadamente correcto supera exactamente incorrecto todos los días. Eso es lo que quiero decir. Y la precisión ejemplifica la forma tradicional en que funciona esta mentalidad completamente incorrecta.
Conor Doherty: Joannes, no tengo más preguntas. Quiero decir, sí las tengo, pero las guardaré para otro día. Muchas gracias por tu tiempo. Y para todos ustedes que han estado con nosotros hasta ahora, muchas gracias por su tiempo. Nos vemos la próxima vez.
