00:00:00 Introducción a la entrevista
00:02:15 Pronóstico probabilístico y optimización de la cadena de suministro
00:04:31 Optimización estocástica y toma de decisiones
00:06:45 Ingredientes para la optimización estocástica: variables, restricciones, función de pérdida
00:09:00 Perspectivas sobre modelado y optimización
00:11:15 Restricciones y escenarios de peor caso en la optimización
00:13:30 Incertidumbre, restricciones y soluciones deficientes
00:15:45 Optimización determinista y escenarios variables
00:18:00 Operaciones espaciales MRO y optimización de inventario
00:20:15 Incertidumbre en los tiempos de entrega y piezas reparables
00:22:30 Consecuencias de piezas faltantes y limitaciones del enfoque clásico
00:24:45 Elementos estocásticos y estocasticidad basada en humanos en la cadena de suministro
00:27:00 Reparación de un motor de avión y obtención de piezas
00:29:15 Optimización de inventario y lista de materiales probabilística
00:31:30 Políticas para la optimización de la cadena de suministro y reactividad
00:33:45 Problemas de escalabilidad y funciones convexas en la cadena de suministro
00:36:00 Relajación del problema y restricciones en los problemas de la cadena de suministro
00:38:15 Herramientas de búsqueda local y solución factible en la cadena de suministro
00:40:30 Algoritmos genéticos de metaheurística y desafíos de escalabilidad
00:42:45 La optimización matemática como un problema de escalabilidad
00:45:00 Desarrollo de Lokad de tecnología de optimización estocástica
00:47:15 Interdependencias en la cadena de suministro y resolución de problemas con dinero
00:49:30 Restricciones de límite de estantería y ejemplo de inventario de yogur
00:51:45 Resumiendo la optimización estocástica e incertidumbre
00:54:00 Papel del solucionador en la optimización de la cadena de suministro
00:56:15 Aclarando el término ‘solucionador’ y cálculo de la decisión final
00:58:30 Desafiando la solución del solucionador y posibles deficiencias
01:00:45 Conclusiones clave: importancia de la optimización estocástica
01:03:00 Ignorar la incertidumbre en la cadena de suministro y beneficios de un buen solucionador
01:05:15 Dependencias e interdependencias en cadenas de suministro no triviales
01:07:30 Fin de la entrevista
Resumen
En una discusión entre el CEO de Lokad, Joannes Vermorel, y el Jefe de Comunicación, Conor Doherty, se enfatiza la importancia de la optimización estocástica y el pronóstico probabilístico en la gestión de la cadena de suministro. Vermorel explica el concepto de estocasticidad, donde la función de pérdida es incierta, lo cual es común en escenarios de cadena de suministro. Describe los tres ingredientes de la optimización matemática: variables, restricciones y la función de pérdida, y explica que en la optimización estocástica, la función de pérdida no es determinista sino aleatoria. Vermorel también discute los problemas de escalabilidad de las técnicas de optimización matemática para la cadena de suministro, que han sido un obstáculo durante cuatro décadas. Concluye enfatizando que la optimización estocástica es un aspecto crucial que a menudo se pasa por alto en los libros de cadena de suministro.
En una conversación entre Conor Doherty, Jefe de Comunicación de Lokad, y Joannes Vermorel, CEO y fundador de Lokad, el dúo profundiza en las complejidades de la optimización estocástica y el pronóstico probabilístico en la gestión de la cadena de suministro. Vermorel enfatiza la importancia de tener una anticipación clara y cuantificada del futuro, lo cual es crucial para optimizar una cadena de suministro. Introduce el concepto de estocasticidad, refiriéndose a situaciones en las que la función de pérdida es incierta o ruidosa, lo cual es común en escenarios de cadena de suministro.
Vermorel explica que la función de pérdida se expresa a través de impulsores económicos y se ajusta para reflejar los dólares en juego en el negocio. Argumenta que incluso con un pronóstico probabilístico efectivo, la optimización sigue siendo necesaria debido a las incertidumbres y no linealidades inherentes en la gestión de la cadena de suministro. Describe los tres ingredientes de la optimización matemática: variables, restricciones y la función de pérdida, y explica que en la optimización estocástica, la función de pérdida no es determinista sino aleatoria.
Vermorel profundiza aún más en el concepto de restricciones en la optimización matemática, que son una forma de expresar soluciones inaceptables. Enfatiza que estas restricciones deben estar alineadas con la estrategia empresarial, al igual que la función de pérdida. También señala que las restricciones no son matemáticamente verdaderas o falsas, simplemente existen. Por ejemplo, una capacidad máxima de 100 unidades no es matemáticamente válida, es simplemente un dato. Explica que en un mundo estocástico, las restricciones se vuelven más sutiles matemáticamente y es posible que no siempre se cumplan debido a la variabilidad en factores como los tiempos de entrega.
En el contexto de una empresa de Mantenimiento, Reparación y Revisión (MRO), Vermorel explica que la optimización de inventario es crucial. La lista de materiales es probabilística y si falta una pieza, el componente no se puede reparar. Lokad utiliza pronósticos probabilísticos para anticipar la llegada de componentes y las piezas necesarias para la reparación. Las decisiones sobre la compra de piezas deben tener en cuenta las piezas que están regresando y las posibles tasas de desperdicio. El objetivo es resolver problemas de compra de piezas.
Vermorel enfatiza la necesidad de un enfoque de optimización estocástica que considere las piezas no de forma aislada, sino en conjunto. El valor económico de adquirir ciertas combinaciones de unidades puede ser muy diferente en comparación con el análisis de las piezas individualmente. Confirma que la estocasticidad de la capacidad humana para realizar reparaciones puede tenerse en cuenta en este modelo.
Vermorel también habla sobre los problemas de escalabilidad de las técnicas de optimización matemática para la cadena de suministro, que han sido un obstáculo durante cuatro décadas. Explica que los problemas que se enfrentan en la cadena de suministro no se comportan de manera agradable y la escalabilidad de estas técnicas depende de cuánto margen de maniobra queda una vez que se aplican todas las restricciones. Señala que los solucionadores que se acercan a las técnicas de eliminación del espacio de solución tienen un rendimiento deficiente más allá de mil variables.
Vermorel explica que Lokad tuvo que desarrollar una nueva clase de tecnología para la optimización estocástica para abordar estos problemas a una escala que tenga sentido para la cadena de suministro. Está de acuerdo con el resumen de Doherty de que la optimización estocástica es una forma más flexible y reactiva de optimizar decisiones en comparación con la optimización matemática tradicional. También menciona la necesidad de un componente de software, un solucionador, para abordar estos problemas.
Vermorel confirma que el solucionador genera las decisiones finales propuestas por Lokad a sus clientes. Explica que hay diferentes formas de abordar la optimización, incluyendo heurísticas, pero el solucionador es la herramienta que genera la solución dada la previsión. Explica que ‘receta numérica’ se refiere a la cadena de procesamiento desde la preparación de datos hasta la generación de resultados, mientras que ‘solucionador’ se refiere al cálculo de la decisión final, que toma la previsión como entrada.
Vermorel concluye enfatizando que la optimización estocástica es un aspecto crucial que a menudo se pasa por alto en los libros de texto de la cadena de suministro. Critica a los actores establecidos por vender solucionadores para problemas de optimización determinista, ignorando la incertidumbre inherente en los problemas de la cadena de suministro. Destaca los beneficios de un solucionador estocástico, que permite una visión holística de la cadena de suministro y sus interdependencias.
Transcripción completa
Conor Doherty: La optimización estocástica es la herramienta a través de la cual se pueden cuantificar y optimizar las decisiones económicamente viables. Aquí para discutir su importancia y, lo que es más importante, cómo funciona, está el fundador de Lokad, Joannes Vermorel. Entonces, Joannes, creo que la mayoría de las personas han escuchado el término optimización muchas veces de nosotros en diferentes contextos y generalmente se usa en el mismo sentido que el pronóstico probabilístico porque en última instancia, esas son las dos herramientas clave que usamos. Entonces, antes de adentrarnos en las matemáticas de la optimización estocástica, ¿cuál es el resumen a nivel ejecutivo de estas dos herramientas y por qué son tan importantes?
Joannes Vermorel: El pronóstico probabilístico se trata realmente de tener una anticipación clara y cuantificada del futuro. Entonces, si quieres optimizar tu cadena de suministro, necesitas tener alguna información sobre el futuro. Necesitas alguna información cuantificada. El pronóstico probabilístico se trata de conocer el futuro, pero también de conocer lo que no sabes, cuantificar la incertidumbre. Eso es parte de entender lo que está por venir para poder tomar decisiones más informadas.
La segunda parte es llegar a la mejor decisión. ¿Qué significa eso? ¿Mejor según qué? Y aquí hay una optimización en un sentido amplio que simplemente significa mejorar las cosas. Pero también hay una optimización en el sentido matemático. En el sentido matemático, significaría encontrar una solución para tu problema que, según un criterio numérico, te dé una pérdida menor. Para esta discusión, probablemente nos centraremos en la perspectiva de la pérdida donde simplemente quieres minimizar la pérdida.
Entonces, la optimización en este sentido es una operación puramente matemática. Se trata de, para un problema dado, encontrar la solución que minimice una función de pérdida que te hayas dado a ti mismo.
Conor Doherty: Por ejemplo, tratar de no perder demasiado dinero con el resultado de esta decisión.
Joannes Vermorel: Entonces, en el caso de una cadena de suministro, la decisión básica sería cuántas unidades debo pedir. Y luego, para cualquier cantidad que elija, hay un resultado con costos de mantenimiento, penalizaciones por falta de stock. Obviamente, también están las ganancias que obtengo al vender cosas con ganancias, lo cual vendría como una especie de pérdida negativa, por lo que se podría minimizar aún más vendiendo tus productos.
Conor Doherty: Vale, creo que la mayoría de las personas entenderán eso cuando hablas de restricciones. Pero, ¿dónde está la estocasticidad? Quiero decir, puedes optimizar, pero ¿dónde está la estocasticidad en lo que acabas de decir?
Joannes Vermorel: Entonces, la estocasticidad se refiere a clases de problemas donde tenemos una función de pérdida incierta, donde la función de pérdida es ruidosa. Así que si vamos a este problema de reabastecimiento de inventario muy clásico, elijo la cantidad que quiero reordenar hoy, pero cualquier puntaje o pérdida que obtenga de esta decisión, solo lo sabré más tarde. Y por ahora, estoy atrapado con la incertidumbre de cuál será la pérdida final. Y así, cuando tienes una situación en la que tu función de pérdida no se conoce de manera confiable de antemano, terminas con un problema de optimización estocástica en oposición a problemas de optimización determinista clásicos donde todo se conoce perfectamente.
Si queremos hacer la colocación de componentes, por ejemplo, solo quieres ajustar diferentes componentes dentro de una caja teniendo en cuenta todas las dimensiones físicas de los diversos componentes, todo eso es completamente conocido, por lo que este es un problema que no tiene incertidumbre. Puede ser muy difícil encontrar la combinación completa, pero a diferencia de las situaciones de la cadena de suministro, no hay incertidumbre. Las situaciones de la cadena de suministro son, diría yo, situaciones ultra-dominantemente estocásticas donde hay cierta incertidumbre.
El pronóstico probabilístico realmente incorpora esta incertidumbre, pero no resuelve nada. Solo te dice esto es el futuro y esta es la incertidumbre. No es un proceso de toma de decisiones ni ningún tipo de proceso de generación de decisiones. Esa parte es la optimización, y más específicamente, una optimización estocástica.
Conor Doherty: ¿Y cómo se ajusta esa función de pérdida en vista de toda esa estocasticidad?
Joannes Vermorel: La función de pérdida es muy sencilla. En Lokad, lo expresamos a través de los impulsores económicos, por lo que se trata simplemente de minimizar los dólares de error. Hay mucho conocimiento que se necesita para ajustar esta función de pérdida y hacerla realmente adecuada para el negocio, para que realmente refleje los dólares en juego. Tenemos dos preocupaciones ortogonales. Una es encontrar una función de pérdida que sea completamente fiel a la estrategia comercial. Pero eso no requiere habilidades específicas de optimización numérica. Se trata simplemente de tener algo que refleje mi negocio. Solo requiere operaciones aritméticas básicas. No es algo extravagante. La otra es lo que sea que necesitemos hacer para la optimización estocástica para cualquier función de pérdida dada.
Conor Doherty: Bueno, me parece que cuando haces pronósticos probabilísticos muy buenos o muy efectivos, ¿no podrías omitir por completo la parte de la optimización? Porque si supieras mejor lo que ibas a hacer o cuál iba a ser la demanda, ¿por qué necesitarías equilibrar todas estas otras cosas? ¿No podrías simplemente pedir la cantidad que has identificado o el retorno más probable?
Joannes Vermorel: Si tuvieras un conocimiento perfecto sobre el futuro, entonces efectivamente la parte de la toma de decisiones no sería tan complicada. Aunque incluso en este tipo de situaciones, tendrías que lidiar con las cantidades mínimas de pedido (MOQs) y los costos de pedido y transporte fijos. Incluso si conocieras perfectamente el futuro, seguirías enfrentando varias no linealidades que te impiden tener una solución trivial e inmediata.
Pero de hecho, la situación es mucho peor que eso porque solo tienes un conocimiento muy imperfecto sobre el futuro. Es una evaluación completamente irrazonable decir que alguna vez vamos a obtener un pronóstico que elimine la incertidumbre. La incertidumbre se puede reducir, pero en gran medida es irreducible. Por lo tanto, estás atrapado con esta incertidumbre y no hay una solución obvia. No hay una solución evidente que se pueda obtener.
Conor Doherty: Bueno, entonces volviendo un poco a la optimización estocástica. Hablaste de los ingredientes. Enumeraste la función de pérdida. La función de pérdida no puede ser el único ingrediente que se utiliza en la optimización estocástica. Entonces, ¿cuál es la amplitud de los ingredientes requeridos para esto?
Joannes Vermorel: Cuando abordamos la optimización matemática, hay tres tipos de ingredientes. El primero son las variables. Las variables son básicamente lo que puedes elegir. Esto es lo que define tu solución. Tu solución es una combinación específica de variables.
Si quieres pensar en un problema discreto como encontrar la combinación correcta para un candado, digamos que tienes cuatro variables. Cada variable tiene 10 posiciones y cada combinación define una solución potencial. Quieres encontrar la única solución que encaje y se abra.
Los primeros ingredientes son las variables. En la cadena de suministro, nos referimos con frecuencia a problemas discretos porque las variables son enteros. Puedes reordenar cero unidades, una unidad, dos unidades, tres unidades, etc., pero generalmente no puedes reordenar 0.5 unidades. El aspecto discreto lo hace más difícil porque no puedes pasar fácilmente de una solución a otra. Hay muchos patrones severamente no lineales que ocurren.
Por ejemplo, pasar de cero a una unidad es muy diferente a pasar solo de fracciones pequeñas. Pero también puedes tener cosas como las cantidades mínimas de pedido (MOQs), donde tienes que saltar 100 unidades, digamos, para llegar a una solución.
Conor Doherty: Es una restricción.
Joannes Vermorel: Y eso me lleva a la segunda cosa, que son las restricciones. Entonces, típicamente, enumeras las variables y enumeras las restricciones. Las restricciones son un conjunto de expresiones matemáticas sobre las variables que te dicen si esta es una solución aceptable, una solución factible.
Entonces, en un caso de reabastecimiento, podemos reordenar la cantidad de unidades que queramos, pero hay una capacidad finita para el estante. El estante solo puede tener tantas unidades. Puede haber una capacidad máxima para el día en cuanto a cuántos productos pueden ser recibidos, procesados por la tienda o ingresados por cualquier otra ubicación en tu cadena de suministro.
Y tienes toneladas de restricciones como esa. Puedes tener una restricción que diga que necesito tener al menos esto, esto y aquello para poder presentar un estante bonito. Eso sería una restricción de merchandising en una tienda, etc.
Entonces tenemos las variables, tenemos las restricciones y la tercera es la función de pérdida. La función de pérdida te da, para cualquier solución que cumpla con todas las restricciones, aquí está tu pérdida y quieres minimizar eso. Es solo una convención.
Y esos tres elementos juntos definen el marco general de optimización matemática. La razón por la cual los matemáticos durante los últimos 100 años han utilizado este marco es que en realidad es muy general.
Y aquí incluso estamos analizando el giro de la estocasticidad, donde estamos agregando un giro bastante inusual al problema, que es decir que la función de pérdida no es determinista. No es una función matemática clásica donde das una entrada y luego tienes una salida garantizada. Decimos que das una entrada y luego tienes una salida aleatoria.
Conor Doherty: Solo para volver a la idea de las restricciones, y corrígeme si me equivoco, podrías subdividir esas restricciones. Por ejemplo, enumeraste la capacidad, conoces la capacidad de tus estantes, de tu almacén, cuánto se puede procesar en un día. Tal vez eso se pueda aumentar un poco en términos de procesamiento, pero nuevamente, la capacidad del estante es finita. Eso no va a cambiar pronto. Pero las cantidades mínimas de pedido (MOQs) podrían cambiar. Quiero decir, podrías renegociar. Así que hay cierta fluidez aquí en algunas de estas restricciones. ¿Es ese tipo de estocasticidad del que estás hablando y que se tiene en cuenta en las decisiones?
Joannes Vermorel: No realmente. Las restricciones son literalmente una forma matemática de expresar la idea de que algunas soluciones simplemente no son aceptables. Nuevamente, al igual que hay una pregunta realmente profunda, pero que no es una pregunta matemática, sobre la adecuación de tu función de pérdida con respecto a tu estrategia comercial, lo mismo ocurre con tus restricciones. Entonces dirías, bueno, ¿esta restricción realmente es una restricción? ¿Realmente puedo invertir para levantar esta restricción o simplemente puedo pensar de manera diferente sobre el negocio?
Nuevamente, la idea es que realmente tendrás dos perspectivas diferentes. Una es el enfoque de modelado donde dices que realmente quieres tener variables, funciones de pérdida, restricciones que sean fieles con respecto a tu negocio. Y eso es fundamentalmente una tarea no matemática, no algorítmica. Se trata realmente de comprender si esas cosas son verdaderas para el negocio.
Pero no es cierto en el sentido matemático. Una restricción no es ni verdadera ni falsa en el sentido matemático. Simplemente es. Es literalmente algo donde dices que la capacidad máxima es de 100 unidades. No hay validez matemática en esta afirmación. Esto es simplemente un dato. Un matemático puede decir, sí, elegiste 100. Matemáticamente hablando, no puedo decirte si 100 es un buen número. Solo puedo decirte, por ejemplo, que si me dices que hay una restricción que dice que debería ser menos de 100 unidades y luego otra restricción que dice que debería ser más de 100 unidades estrictamente, entonces puedo decirte que no hay solución.
Las matemáticas no juzgan el tipo de entradas que se les dan. Se trata simplemente de tener consistencia interna. Pero luego, lo interesante del aspecto estocástico en el mundo estocástico es que de repente las restricciones se vuelven mucho más sutiles en un sentido matemático.
Entonces veamos qué significa tener un problema estocástico. En la antigua perspectiva de optimización no estocástica, teníamos una clara separación entre esta solución funciona o no, debido a las restricciones, sin siquiera tener en cuenta la pérdida. Pero veamos qué significa eso en un mundo donde nuestra función de pérdida es estocástica. Digamos, por ejemplo, que tenemos un almacén y podemos pasar órdenes de reposición y tenemos una capacidad diaria de entrada para el almacén.
Entonces, todos los días, tenemos un límite de cuántas unidades podemos procesar de los proveedores. Y lo que generalmente se hace en este almacén para tenerlo en cuenta es que distribuimos las órdenes de reposición, teniendo en cuenta los tiempos de entrega de los proveedores, para que no todos los proveedores entreguen todo el mismo día y superen la capacidad, la capacidad diaria del almacén para recibir las mercancías.
Mirándolo desde una perspectiva de optimización estocástica, elijo mis cantidades y luego tengo variabilidad en el tiempo de las entregas. Esto significa que si tengo una mala suerte extrema, puedo terminar con una decisión que está perfectamente bien. Todo se ha distribuido en términos de órdenes de reposición, pero mis pedidos muy tempranos llegan tarde y luego mis pedidos más tardíos incluso llegan con anticipación. Por una casualidad aleatoria, todo eso termina colapsando el mismo día y luego en este día, sobrecargo mi almacén. Estoy más allá de la capacidad nominal de recepción.
Hay muchas situaciones en las que ya no es posible tener una solución perfectamente factible. Eso significa que vivirás con situaciones en las que existe una probabilidad de que tus restricciones no se cumplan. Esto es simplemente así. Esta es una afirmación matemática que estoy haciendo. Debido a la naturaleza de las funciones de pérdida y al hecho de que tus decisiones pueden tener consecuencias que son ellas mismas no deterministas, como decidir la cantidad pero luego no tener un control completo sobre el día de la entrega.
Incluso si has tomado las mejores decisiones, existe la posibilidad de tener cantidades de inventario que colisionen. La única forma de asegurarse absolutamente de que nunca suceda sería asegurarse de que en toda tu cadena de pedidos pendientes, nunca excedas lo que podrías recibir en cualquier día dado, teniendo en cuenta el peor escenario en el que todos tus pedidos pendientes se entregarían el mismo día. Esto es obviamente extremo.
Las empresas tienen que lidiar con este tipo de situaciones donde sí, hay una posibilidad entre 10,000 de que exceda mi capacidad. Pero en realidad, la idea de que una restricción sea absoluta es más como una idea matemática. En la práctica, si excedes tu capacidad, habrá un costo.
Cuando adoptamos la perspectiva de la optimización estocástica, vemos que fundamentalmente, las restricciones se convierten en gran medida en parte de la función de pérdida. De lo contrario, o abordamos de una manera que diga que estoy bien con un cierto grado de tolerancia para aceptar que las restricciones se violarán con una baja probabilidad. Para la mayoría de las situaciones interesantes en problemas de optimización estocástica que enfrenta la cadena de suministro, habrá una pequeña probabilidad residual de que se violen tus restricciones.
Conor Doherty: Cuando hablas de esa tolerancia, ¿te refieres a la factibilidad, verdad? ¿Y por extensión, eso se mide en?
Joannes Vermorel: Eso se mide en la capacidad que hayas establecido para tus problemas. Si dices que quieres reponer una tienda, tomas tu decisión para que se ajuste a la capacidad de la tienda. Pero ¿qué pasa si la tienda, por alguna casualidad, no vende nada en un día determinado? Digamos que estás vendiendo alimentos frescos, decides hoy reponer la leche y tomas esta decisión sin tener en cuenta las ventas del día. Pero aún asumes que se venderán algunas unidades. Y si por casualidad, en esta tienda que normalmente vende el 80% de su stock de leche fresca todos los días, no vende nada hoy, solo por casualidad, entonces podrías terminar reponiendo y superando tus restricciones.
La clave es que tan pronto como te encuentres en una situación de incertidumbre, no solo varía tu función de pérdida, sino que también varía la satisfacción de las restricciones. Para la mayoría de las situaciones interesantes, terminarás con restricciones que no se cumplirán perfectamente. Sería un error decir que solo quiero situaciones en las que esté garantizado que se cumplirán mis restricciones. ¿Por qué? Porque matemáticamente obtendrás soluciones, pero serán muy pobres. Serán soluciones como no pedir nada, no hacer nada, simplemente dejarlo estar. Y eso te dará satisfacción en el sentido de no violar ninguna restricción, pero ciertamente no te dará ganancias.
Conor Doherty: Quiero volver al ejemplo que diste sobre recibir pedidos, escalonar pedidos e intentar hacerlo de la manera más económicamente viable. Eso sería, supongo, el enfoque estocástico. ¿Cómo abordaron el problema que acabas de describir los modelos anteriores que se basaban en la optimización matemática, careciendo de la dimensión estocástica?
Joannes Vermorel: Simplemente ignoran por completo el problema. Ni siquiera existe en la optimización matemática determinista clásica. Las consecuencias variables de tus decisiones ni siquiera se tienen en cuenta, simplemente no existen.
Hay formas de mitigar el caso. Una forma sencilla sería decir: “Bueno, amplío la definición de mi problema diciendo que, en lugar de buscar una optimización, voy a optimizar conjuntamente, digamos, 100 escenarios distintos. Y digo que mi decisión tiene que ser común para todos los futuros posibles, y tengo que asegurarme de que para todos esos escenarios variables, todas mis restricciones sigan cumpliéndose”.
Entonces, ¿cómo vuelves a un caso determinista? Bueno, simplemente puedes decir: “Puedo copiar mi situación 100 veces que representan 100 variantes de la situación que estarían en 100 trayectorias, y luego optimizar el problema ampliado que tiene 100 instancias a la vez”.
Y puedo hacer eso con un solucionador clásico, pero luego solo empeora un problema que ya impide a los profesionales de la cadena de suministro de hoy en día utilizar herramientas de optimización matemática en primer lugar. Y este problema es la escalabilidad.
Conor Doherty: Bueno, creo que sería un buen momento para comenzar a aplicarlo a un sector específico para que las personas puedan comenzar a tener una comprensión tridimensional de cómo la teoría interactúa con la complejidad real, las restricciones reales, las variables reales. Entonces, si tomas, digamos, una empresa de MRO, de tamaño típico que presta servicios a una flota de tamaño normal, digamos 10 aviones, cada uno de los cuales tiene, no sé, un cuarto de millón de piezas, ¿cómo se ajustarían estos tres ingredientes en una optimización estocástica para un MRO en comparación con una antigua optimización matemática que, según tú, no funciona?
Joannes Vermorel: Veamos qué tipo de problemas tenemos para MRO. Queremos optimizar el inventario para que puedas realizar tus reparaciones. Tienes un componente que llega, está inutilizable, comienzas tu reparación, descubres las piezas que necesitas. Entonces tienes una lista de materiales, pero la lista de materiales es probabilística, es incierta. Aquí ocurre una estocasticidad. Tienes la incertidumbre de si obtendrás componentes para reparar, eso es una demanda fluctuante. Pero una vez que obtienes el componente, en realidad descubrirás lo que realmente necesitas para reparar el componente.
El problema es que si falta una pieza, no puedes reparar el componente. Entonces, como ves, no poder tener el 90% de las piezas no resuelve el problema. Estás atrapado. Necesitas todas las piezas para las reparaciones o no podrás reparar el componente en absoluto.
En Lokad, comenzamos hace años a hacer pronósticos probabilísticos para esas situaciones. Un pronóstico probabilístico es anticipar con las probabilidades adecuadas la llegada de los componentes que se van a reparar, anticipar las distribuciones de probabilidad de las piezas que necesitarás. Así que eso sería esta lista de materiales probabilística. Y ahora tenemos que decidir qué reordenar, cuáles son las piezas que queremos tener en stock y en qué cantidades. Y luego, para esas piezas, también está la incertidumbre de los tiempos de entrega. Y algunas de esas piezas son reparables.
Para algunas de ellas, hay incertidumbre de que no solo tendrán su tiempo de respuesta porque sacas una pieza de tu componente, sino que esta pieza en sí misma es reparable. Entonces puedes hacer que la reparen y volver a colocarla, o lo más probable es que tomes las piezas, repares esta pieza, pero coloques otra en el componente porque no quieres esperar a que la pieza regrese para ser reparada.
Pero eso significa que cuando quieras decidir si necesitas más piezas, debes tener en cuenta las piezas que volverán, las cuales ya están en proceso. Así que no solo son las piezas que tienes, sino también las piezas que están regresando. Y luego hay otros factores como las tasas de desecho, donde intentas reparar, pero la reparación puede no funcionar. Entonces pensaste que tenías, por ejemplo, 10 piezas que estaban regresando, pero solo recibes 8 porque dos fueron desechadas porque la reparación no fue posible.
Eso es parte del pronóstico, todas las incertidumbres. Ahora, las decisiones que quieres tomar en última instancia se tratan de resolver tus problemas de compra de piezas. La pregunta es, ¿debería comprar más unidades de piezas, teniendo en cuenta todas las piezas que regresan y todo lo demás?
Una pieza tendrá un valor económico si contribuye a una reparación. Pero al igual que el candado que mencioné anteriormente, tienes este efecto de clic donde si tienes todas las piezas, puedes reparar y todas esas piezas tienen valor. Pero si te faltan piezas, todo eso es solo peso muerto. Las piezas que tienes solo sirven si tienes la combinación completa. Si tienes la combinación menos una, entonces tienes retrasos para tus clientes.
En cualquier caso, el inventario solo cumple su propósito si tienes todo. Y si no tienes todo, entonces la pregunta será: “¿Cuánto tiempo tomará obtenerlo porque descubrirás en el último minuto que falta algo y cuánto tiempo tarda en estar disponible si haces un pedido muy tarde para eso?”
Si estamos en una configuración simple donde todos mis SKU son estrictamente independientes, diferentes clientes, diferentes todo, entonces para cada posición de stock, puedo calcular un puntaje económico y decir de acuerdo a todas las probabilidades, puedo calcular los dólares esperados de retorno al tener esta unidad en stock.
Pero para el MRO, no puedo tener este enfoque porque hay dependencias entre los números de pieza. Si decido comprar una unidad, por sí sola puede no tener valor. Pero si compro otra unidad, entonces puedo completar una reparación y ambas piezas tienen mucho valor.
Hasta que tengas todas las piezas que necesitas para tu lista de materiales probabilística, las piezas que tienes son básicamente inútiles. Su valor económico esencialmente está cuando están juntas. Por lo tanto, cualquier cosa que uses para resolver este problema de optimización estocástica, debes poder investigar tus decisiones donde no estás comprando piezas una por una o considerando piezas que tienes de forma aislada, sino juntas. Las combinaciones de ciertas unidades a adquirir pueden tener un valor económico muy diferente en comparación con un análisis independiente donde solo miras las piezas una por una.
Conor Doherty: Voy a intentar seguir este pensamiento y ten paciencia conmigo, pero cuando describes todos estos elementos estocásticos, estás diciendo que la pieza, digamos el tiempo de respuesta para obtener esa pieza, podría ser de un día, medio día, tres días, cuatro días. Hay otra área de estocasticidad que presumiblemente también es la capacidad de las personas para realizar realmente la reparación, como el tiempo que le lleva a una persona una vez que ha recibido la pieza, que varía, para realizar la reparación. ¿Puedes tener en cuenta ese nivel de estocasticidad, como la estocasticidad basada en las personas también?
Joannes Vermorel: Sí, los humanos son solo una especie de retraso entre otros y pueden tener habilidades variables. Por ejemplo, algunos operadores son más talentosos que otros y, por lo tanto, pueden necesitar menos piezas. Alguien podría lograr hacer una reparación consumiendo menos cosas que un empleado menos talentoso que simplemente desecha las cosas donde no tiene éxito en hacer la reparación.
En aviación MRO, los componentes son altamente modulares, por lo que los componentes están hechos de componentes que están hechos de componentes. Por lo tanto, siempre existe la opción de que, si no sabes cómo reparar y simplemente desechar todo el submódulo y colocar uno nuevo que sea completamente nuevo en términos de reemplazo en lugar de identificar solo la cosa que está fallando y cambiar solo eso.
Si eres muy bueno para diagnosticar lo que debe cambiarse, cambiarás lo que debe cambiarse. Si eres menos bueno, es posible que termines cambiando mucho más.
Pero volviendo al caso, el truco aquí es que cuando defino la solución, tenemos que verlo desde la perspectiva de una política. Entonces eso significa que tu solución no es necesariamente solo la decisión que tomas en este momento, sino el principio general que guía tus decisiones. Una política puede gobernar qué piezas tienes en stock, pero tendrás en cuenta cómo reaccionas cuando descubres tu lista de materiales probabilística.
¿Por qué importa? Digamos, por ejemplo, que quieres reparar un motor de avión. Hay algunas piezas que están justo en el exterior del motor que serán las primeras en diagnosticarse. Entonces, cuando recibas tu motor para hacer la reparación, descubrirás lo que necesitas para el exterior del motor simplemente porque al desmontar el motor, esa será la primera parte que toques, porque un motor es como una Matryoshka con muchas capas que llega al núcleo.
Si descubres una pieza que está en el exterior del motor, lo más probable es que tengas mucho tiempo para obtener esta pieza porque primero tendrás potencialmente muchos días para desmontar el motor de la aeronave hasta el núcleo y luego volver a montar gradualmente desde el núcleo hacia afuera el motor y necesitarás la pieza que se ajusta al exterior del motor al final del proceso.
Entonces, esta pieza, ni siquiera la necesito en stock porque cuando llegue el momento de necesitar las piezas, puedo volver a pedir las piezas el día uno y el día 60, cuando realmente necesite las piezas, las tendré disponibles porque mi tiempo de entrega de mis proveedores fue, digamos, de 20 días.
Cuando quieres analizar la optimización de inventario para las piezas, debes tener en cuenta la política que es qué piezas necesito tener disponibles y cuál será mi reacción típica cuando me enfrento al descubrimiento de esta lista de materiales probabilística.
Si asumo una política diferente, como que la persona que desmonta la aeronave no tiene ninguna información sobre la disponibilidad o indisponibilidad de las piezas en stock, entonces es una historia completamente diferente porque luego desmonto el motor de la aeronave, vuelvo a montar el motor de la aeronave y luego, 60 días después, descubro que me falta esta pieza en stock.
Como puedes ver, la política expresaría este tipo de situaciones de toma de decisiones secuenciales en las que se tomarán decisiones y cómo darán forma al resultado económico final de la situación a medida que se desarrolle.
Tenemos dos políticas aquí, una es inteligente, reacciono tan pronto como tengo la información, paso la orden de compra. La otra es que espero hasta que tenga que montar la pieza y luego me doy cuenta de que se necesita la pieza y luego paso la orden. Si te encuentras en la situación en la que la política es la segunda, eso significa que se le dará mucho más valor económico a tener las piezas en stock porque es la única forma de asegurarse de que no retrasemos aún más el motor de la aeronave al final porque falta esta pieza.
Si la primera política, la inteligente, está en vigor, eso significa que no hay valor económico en tener esas piezas en el exterior del motor en stock. Debido a la política, no las echaré de menos porque las órdenes de compra se pasarán temprano.
Conor Doherty: ¿Qué tipo de costos tecnológicos estarán asociados con el tipo de reactividad que estás describiendo? Entonces, si me adentro en el motor y descubro que necesito una pieza, eso reconfigura por completo la línea de tiempo proyectada de esta reparación.
Joannes Vermorel: Esa es una pregunta muy interesante. La escalabilidad ha sido una preocupación importante. Cuando digo escalabilidad, me refiero a la escalabilidad de las técnicas de optimización matemática para la cadena de suministro, que ha sido un obstáculo durante aproximadamente cuatro décadas.
La optimización matemática se supone que es un campo de investigación muy establecido y hay jugadores de software muy establecidos que venden lo que se conoce como solvers. Los solvers son software diseñados para abordar problemas de optimización matemática y generalmente vienen con su propio lenguaje de programación. Por lo general, son lenguajes de programación matemática que te permiten expresar tus variables, tus funciones de pérdida y tus restricciones.
Lo interesante es que aunque estos solvers se introdujeron en el mercado hace cuatro décadas y ahora incluso hay solvers de código abierto, estos solvers no se ven en la cadena de suministro. Creo que la escalabilidad es un gran problema.
Si descomponemos las técnicas que están disponibles en el mercado, tenemos principalmente las funciones de pérdida bien comportadas, las funciones convexas. Las funciones convexas significan que tus funciones tienen una curva suave y puedes, cuando eliges una solución, rodar suavemente hacia abajo. Solo tienes que seguir los gradientes y llegarás al fondo. Entonces, esas funciones bien comportadas serán funciones lineales, funciones cuadráticas. Este tipo de funciones no tienen problemas de escalabilidad, podemos tener literalmente miles de millones de variables. Pero los problemas a los que nos enfrentamos en la cadena de suministro no son tan bien comportados como esos.
Luego tenemos una segunda clase de solvers, que son branch and bounds, branch and cuts, que asumen esencialmente que predominan las restricciones, que tienes muy pocas soluciones factibles válidas. Entonces, tienes tantas restricciones que puedes eliminar un hiperplano completo de tu espacio de solución. Esencialmente, puedes dividir tu conjunto de soluciones por la mitad y decir que esta mitad se descarta porque sé que estas soluciones nunca cumplirán las restricciones que tengo. Y literalmente, puedes descartar la mitad de las soluciones y repetir el proceso de eliminar la mitad de las soluciones un gran número de veces. Y luego, al final, te quedas con un espacio muy pequeño y luego puedes investigar este espacio pequeño bastante a fondo.
Hay muchas técnicas, lo que se llama relajación de los problemas, que es mirar el problema sin las restricciones, encontrar las soluciones ideales sin la restricción y luego volver a aplicar la restricción. Estos problemas, nuevamente, si no tienes restricciones muy estrictas, no escalan muy bien. Entonces, la escalabilidad de estas técnicas depende mucho de cuánto margen aún tienes una vez que se aplican todas las restricciones. Y ese es el problema, en la cadena de suministro, los problemas que consideramos tienen muchas restricciones pero no son muy estrictas.
Piensa en el candado. El candado es, tienes 10,000 combinaciones, solo una hace clic, todas las demás están equivocadas. Bueno, en las cadenas de suministro, tienes restricciones pero esas restricciones no son muy estrictas. Por ejemplo, dentro de las restricciones de la capacidad del estante, aún tienes una gran cantidad de soluciones. Puedes decidir poner más de estos productos, más de estos productos. Cuando lo miras, es una restricción muy débil. No es el tipo de restricciones que reducen tu espacio de solución a unas pocas soluciones. Aún tienes una cantidad absolutamente enorme de soluciones.
Todos esos solvers que se acercan a esas técnicas de eliminación del espacio de solución, branch and cuts, branch and bound, etc., más allá de 1000 variables, generalmente funcionan extremadamente mal. Tal vez, si te vuelves loco, 10,000 variables, pero eso ya es llevarlo a los límites extremos. Estamos hablando de máquinas muy grandes con docenas de gigabytes de RAM, docenas de CPUs y potencialmente horas para obtener una resolución. Entonces, va a ser muy lento y para 10,000 variables, dirías oh eso ya es mucho. No del todo, es pequeño.
Solo considera que un mini mercado va a tener 5,000 productos. Pero luego no son 5,000 variables porque la pregunta realmente es si traigo cero unidades, una unidad, dos unidades, tres unidades. Entonces, digamos que te detienes en 10, 10 será suficiente pero ya estoy en 50,000 variables y luego la ubicación y por mini mercado y obviamente tienes muchos mini mercados. Entonces, ves que incluso un problema importante como un mini mercado ya está en 50,000 variables y eso está mucho más allá de lo que puedes hacer.
Y luego tenemos una tercera clase de herramientas, que son la búsqueda local. La búsqueda local es una clase de técnicas que dicen supongamos que puedes encontrar una solución factible. En el caso de la cadena de suministro, es una suposición muy razonable. Entonces, encontrar una solución que no viole ninguna restricción suele ser bastante fácil. Si tu restricción es que no debes desbordar el estante, simplemente ordena menos. No es algo difícil, simplemente decrementa tus unidades hasta que satisfagas la restricción. Si tienes una cantidad mínima de pedido, bueno, si quieres satisfacer la restricción, simplemente agrega uno más a un producto hasta que tengas la cantidad.
Entonces, no es difícil encontrar una solución que satisfaga las restricciones. No es como un rompecabezas criptográfico donde necesitas que docenas de variables estén exactamente correctas para que encajen. En la cadena de suministro, por lo general cuando digo que los problemas son fáciles, es porque generalmente ajustando solo una variable puedes hacer que la solución funcione. Entonces, simplemente puedes disminuir una cantidad hasta que encaje en el estante, disminuir o aumentar una cantidad hasta que tengas esta cantidad mínima. Lo mismo así. Entonces, simplemente tienes formas semi-triviales de obtener una solución que satisfaga tus restricciones. Pero no estoy diciendo nada sobre la calidad de la solución, solo estoy diciendo que encontrarás una solución.
Y esencialmente, la búsqueda local simplemente dice que una vez que tienes una solución que encaja, puedes mutar aleatoriamente esta solución y luego, si la solución mutada viola una de las restricciones, te deshaces de ella. Y si aún satisface el problema y tienes una función de pérdida que te dice que esta solución es mejor, entonces saltas a esta solución que es mejor y sigues iterando.
Entonces, la función de pérdida significa que ya tienes una solución que es legal en cierto sentido, modificas aleatoriamente eso y cuando tienes suerte obtienes una solución que según tu función de pérdida es mejor y que la solución satisface tus restricciones, entonces saltas a esta nueva solución y repites.
Hay variantes de esto, se llaman típicamente metaheurísticas, algoritmos genéticos, búsqueda tabú y demás, y todo eso se basa en la premisa de que comienzas con una solución y simplemente iteras una solución con mutaciones aleatorias que te brinda más escalabilidad. Podrías ser capaz, con este tipo de técnicas, de llegar a tal vez un millón de variables. Pero aún es muy lento.
Y en Lokad, lo hemos intentado y aún no pasa la prueba de escalabilidad para la cadena de suministro. Entonces, está fuera de la forma clásica, es lo mejor pero aún es demasiado débil para escalar a los problemas donde tenemos rápidamente millones de variables y queremos tener una convergencia rápida.
Y también queremos considerar el aspecto de la estocasticidad del problema. Porque verás, cuando mencionaba este problema para estos mini mercados donde teníamos 50,000 variables, si expandimos macro con 100 trayectorias tal como describí para tener en cuenta los posibles futuros, entonces estamos en 5 millones de variables. Entonces, se infla rápidamente y nuevamente no es suficiente.
Conor Doherty: Quiero agregar un poco a la pregunta original. Si puedo resumir hasta este punto, el problema con las optimizaciones matemáticas antiguas era que eran deterministas. Las cosas se conocen, hay un correcto y un incorrecto, básicamente puedes tomar una decisión correcta o una decisión incorrecta.
Luego te pregunté sobre la complejidad de MRO, y diste una idea muy clara de lo complejo que era. Entonces, ¿cuáles son los costos tecnológicos para la optimización estocástica de este pequeño vistazo de complejidad que mencionaste? Obviamente es insano, pero lo que realmente estoy preguntando no es cuál es la forma perfecta de implementar esto, sino cuál es una mejor manera de utilizar la optimización estocástica. Puede que no sea perfecta, pero ¿cuál es una forma funcional o factible de implementarla que no viole todo lo que acabas de decir?
Joannes Vermorel: El problema con la optimización matemática realmente se trata de la escalabilidad. Puedes volver a un problema determinista al expresar un problema estocástico como uno determinista. Pero comenzamos con técnicas de optimización matemática que ya sufrían graves problemas de escalabilidad.
Ahora vamos a inflar el problema para expresar el problema estocástico como uno determinista, lo que empeora aún más tu problema de escalabilidad. Existe una forma trivial de lidiar con la optimización estocástica, simplemente ejecuta mi función de pérdida que varía un millón de veces y promedia el resultado. Eso funcionaría, excepto que el costo computacional es simplemente gigantesco.
Entonces, el punto que estoy haciendo es que estas herramientas de optimización matemática han estado disponibles durante décadas, pero no escalan y ni siquiera manejan la estocasticidad. Incluso antes de considerar la estocasticidad, que resulta de pronósticos probabilísticos, ya no eran lo suficientemente escalables. Si acumulamos estocasticidad, entonces estamos a órdenes de magnitud de distancia. Es por eso que Lokad tuvo que desarrollar esencialmente una clase de tecnología para la optimización estocástica para que podamos abordar estos problemas a una escala que tenga sentido para la cadena de suministro.
Y si volvemos a por qué realmente queremos eso, la respuesta es que cuando Lokad introdujo pronósticos probabilísticos en 2012, nos dimos cuenta rápidamente de que teníamos un gran problema. Optimizar bajo incertidumbre es muy, muy difícil.
Durante años, creamos heurísticas inteligentes para solucionar la situación. Entonces, puedes salirte con la tuya con heurísticas inteligentes. Las heurísticas simplemente significan una forma inteligente que funcionará de alguna manera en esta situación muy específica. Así que es hacer trampa. Encuentras un truco que funciona de alguna manera en una situación específica. El problema es que esas heurísticas tienden a ser frágiles.
Y luego, cuando introduces restricciones de producto cruzado o restricciones de desviación cruzada, o cualquier cosa donde tengas cosas interdependientes en tu cadena de suministro, ya sabes, puede ser cualquier cosa, entonces esas heurísticas tienden a desmoronarse. Es por eso que necesitas tener una optimización estocástica.
Si no lo haces, bueno, ¿qué significa eso para los negocios? Significa que te basas típicamente en un juicio humano muy conservador. Funciona de alguna manera, pero el problema es que tiendes a jugar de manera muy segura para satisfacer tus restricciones. El problema es que en la cadena de suministro, todos los problemas se pueden resolver simplemente arrojando más dinero al caso.
Si volvemos a mi ejemplo de MRO de aviación, está la solución obvia: simplemente decir que el cielo es el límite. Puedo tener tantas piezas como quiera, así que voy a tener una tonelada de inventario y luego tendré un buen nivel de servicio. Si simplemente arrojas dinero al problema, sí, resolverás el problema en cierta medida, pero esta no es una solución precisa, es una solución muy vaga.
Lo mismo ocurre con el límite de estantería. Puedes decidir que divides tu tienda con muchas restricciones muy estrechas. Digamos, estos dos productos o tres productos no deben tener tanto espacio y este no más de tanto espacio. Eso limita el tipo de variación de composición interna que puede experimentar tu tienda.
Si digo que todos los yogures combinados no deben superar las 200 unidades, está bien. Pero, ¿qué pasa si esta restricción está equivocada? ¿Qué pasa si hay un aumento repentino en la demanda local y esta restricción para la cantidad total de yogures es demasiado baja? Terminas al final de cada sábado sin un solo yogur en tu minimercado.
Lo que sucede es que cuando no tienes un optimizador estocástico disponible, lo que las empresas suelen hacer es agregar muchas restricciones para reducir el espacio de soluciones. De esa manera, las personas o potencialmente el software que van a elegir las soluciones, tomar decisiones, operarán en un espacio de soluciones mucho más estrecho. Eso alivia todas esas dependencias y preocupaciones cruzadas.
Pero eso es hacer trampa en el sentido de que puede haber soluciones mucho mejores que están disponibles y simplemente has eliminado esas soluciones acumulando muchas restricciones falsas.
Conor Doherty: Hemos cubierto mucho aquí. Entonces, en términos de tratar de resumir o simplificar todo esto para que sea más comprensible para las personas que tal vez no tengan una formación matemática, la optimización estocástica es una forma mucho más flexible y reactiva de optimizar decisiones en comparación con la optimización matemática tradicional, ¿verdad?
Joannes Vermorel: Sí, es una forma más expresiva. Todo lo que puedas expresar como un problema determinista, también puedes expresarlo como un problema estocástico. Pero de alguna manera, lo estocástico es mucho más general, porque determinista simplemente significa que tu función no varía en absoluto. Si tienes una función que varía, siempre puedes elegir una función que no varíe. Aún funcionará. Entonces, el marco es primero definir qué clase de problemas puedes abordar.
Si tus problemas involucran incertidumbre, necesitas optimización estocástica. Esa es literalmente la clase de problemas a la que pertenece tu situación. Y ahora, idealmente, quieres un componente de software para abordar eso. Los pronósticos probabilísticos son las herramientas que te permiten generar esos pronósticos básicos para evaluar la incertidumbre.
Cuando se trata de la toma de decisiones en sí, también necesitamos un componente. La perspectiva típica para la optimización matemática es tener un solucionador, un software genérico que pueda tomar cualquier declaración de problema, función de pérdida determinista, variables, restricciones y darte la solución, la combinación de variables que minimiza la función de pérdida. Puedes tener exactamente lo mismo, un solucionador, pero será un solucionador estocástico. Y te dará como resultado la combinación de variables que buscas.
¿Y por qué quieres tener un solucionador? Bueno, tu función de pérdida que representa tus ganancias y pérdidas en dólares, está sujeta a cambios. Tal vez quieras ajustar la función para adaptar tu visión estratégica. No quieres volver a implementar una resolución completa de software de la receta numérica que te dará una solución.
Solo quieres decir, aquí hay una nueva función de pérdida, simplemente vuelve a aplicar la resolución a esta función de pérdida actualizada. Y eso es lo que un solucionador puede hacer por ti. Es como el componente de software empaquetado que tomará la definición de una función de pérdida, la definición de restricciones y la definición de variables y te dará la solución.
Conor Doherty: Entonces, la herramienta de software de la que estás hablando, la herramienta de software del solucionador que regenera automáticamente la optimización o la solución de la que estás hablando, reduce la cantidad de trabajo que tendría que hacer un profesional de la cadena de suministro tradicional, ¿verdad?
Joannes Vermorel: Entonces, en la práctica, ¿esto automatizaría por completo el proceso de toma de decisiones? Sí, el solucionador es lo que genera las decisiones finales propuestas por Lokad a sus clientes. Hay diferentes formas de abordar la optimización. Puedes usar heurísticas, algunas de las cuales son muy buenas. Funcionan bien en ciertas situaciones, por lo que no necesariamente necesitas el solucionador. Puedes tener tu heurística que cumpla el papel de un solucionador. Pero en última instancia, el solucionador es lo que, dado el pronóstico, genera la solución.
Conor Doherty: Para aclarar, cuando usas ‘solucionador’, ¿lo usas indistintamente con ‘receta numérica’ que genera las decisiones recomendadas, por ejemplo, en un reabastecimiento de inventario?
Joannes Vermorel: Cuando uso el término ‘receta numérica’, generalmente me refiero a toda la cadena de procesamiento. Es más como todo, desde la preparación de los datos hasta la generación de los resultados. Esta receta numérica típicamente se descompone en una serie de etapas: preparación de los datos, generación del pronóstico, optimización y luego presentación de los resultados. Hoy solo estamos discutiendo el cálculo de la decisión final, que toma el pronóstico como entrada.
Conor Doherty: Si el profesional de la cadena de suministro no está de acuerdo con la decisión de la cadena de suministro generada por el solucionador, ¿qué se puede hacer al respecto? Si se tienen en cuenta millones de variables que operan en una escala que está mucho más allá de la capacidad humana, ¿cómo puedes evaluar como profesional de la cadena de suministro si es correcto o incorrecto?
Joannes Vermorel: Es muy sencillo desafiar a un solucionador. Solo tienes que decir: “Aquí está mi mejor solución. Vamos a desafiar esta solución frente a la función de pérdida”. Todo lo que se necesita para demostrar que tu solucionador no es bueno es mostrar una solución que sea mejor que la que ha encontrado el solucionador.
Entonces, el solucionador te da una combinación y típicamente, una vez que has dado una solución, ahí están la función de pérdida y las restricciones. Así que aquí está la solución tentativa, primero verifiquemos que se cumplan las restricciones, bien, se cumplen. Y ahora, apliquemos la función de pérdida que me da la pérdida en dólares. Bien, esta es la pérdida y esta es la solución que me presenta el solucionador.
Si ajusto manualmente esta solución seleccionando mis variables y obtengo algo que es mejor que la función de pérdida, entonces he demostrado que soy capaz, como humano, de generar una solución que es superior al solucionador. En este caso, el solucionador no es muy bueno. Eso puede suceder muy a menudo.
El problema con los solucionadores genéricos que encontrarías en el mercado no es que no encuentren soluciones, lo hacen. Simplemente encuentran soluciones muy pobres. Soluciones en las que los profesionales de la cadena de suministro ajustarían manualmente las cantidades a comprar y aún así cumplirían todas las restricciones y, según la función de pérdida, sería mejor. Por lo tanto, desafiar a un solucionador es mucho más fácil que desafiar un modelo de pronóstico probabilístico. Todo lo que tienes que hacer es exhibir una solución que resulte ser mejor según la función de pérdida.
Si tienes conocimientos especiales sobre el problema, es posible que puedas crear manualmente algo que supere a tu solucionador. Para la mayoría del software, diría que todos los solucionadores disponibles comercialmente en entornos de cadena de suministro, es bastante sencillo superarlos manualmente. Realmente no son tan buenos cuando se trata de problemas estocásticos. Su escalabilidad es terrible. Por lo tanto, tendrás que ejecutar un solucionador durante, digamos, 30 minutos y terminar con él. Si la solución después de 30 minutos es un desastre completo, entonces no es tan difícil que un humano lo haga mejor con frecuencia.
Conor Doherty: ¿Cuál dirías que es la conclusión clave para las personas que han escuchado esto?
Joannes Vermorel: La conclusión clave es que la optimización estocástica es un ángulo muy importante que está en su mayoría ausente de los libros de texto de cadena de suministro. La mayoría de los autores ni siquiera reconocen que el problema existe en primer lugar. Los grandes y establecidos jugadores que venden solucionadores están vendiendo solucionadores para problemas de optimización determinista. Esos son buenos solucionadores, no me malinterpretes, pero no están resolviendo la clase de problemas que tenemos en la cadena de suministro debido a esta incertidumbre. Simplemente ignoran la incertidumbre.
La ventaja de tener un solucionador así es que te permite mejorar tu cadena de suministro de maneras que realmente consideran todas las interdependencias que existen. En lugar de ver las cosas de forma aislada, ven tu cadena de suministro como un sistema donde todo contribuye al sistema y necesitas tener en cuenta esas dependencias.
Esas dependencias pueden tomar muchas formas. En la aviación, es la lista de piezas que necesitas para hacer una reparación. En la moda, es el hecho de que una tienda necesita tener prendas de todos los colores para ser atractiva. Esto es algo que no se puede expresar a nivel de producto. En un hipermercado, debes pensar en cuál es la lista de compras real que las personas desean. No vienen a comprar una sola cosa, quieren una lista completa de cosas. Tal vez quieran cocinar recetas, así que necesitas tener todas las cosas. Para casi todas las cadenas de suministro no triviales, tienes interdependencias por todas partes y a menos que tengas un solucionador estocástico o una técnica de resolución estocástica, ni siquiera puedes abordar el problema de manera satisfactoria.
Conor Doherty: Bueno, Joannes, muchas gracias por tu tiempo. No tengo más preguntas. Y gracias a todos por ver. Nos vemos la próxima vez.
