00:00:00 Introducción de la entrevista
00:00:42 Carrera de Meinolf Sellman y la toma de decisiones de InsideOpt
00:03:47 Disrupciones y sobre-optimismo en la optimización
00:06:18 El descubrimiento de la optimización estocástica y las influencias de Vermorel
00:08:10 Cumplimiento de ecommerce y forecast de supply chain
00:09:56 Enfoque “predict then optimize” y sus consecuencias
00:11:41 Mejora de los resultados operativos y los costos de negocio
00:14:08 La impredecibilidad y el caos en supply chain
00:16:16 El atractivo del forecast y la toma de decisiones racional
00:18:43 La toma de decisiones racional y el juego de overbooking
00:21:55 Ejemplo de producto en supermercado y disponibilidad de supply
00:24:27 Optimización estocástica y variabilidad estacional de las ventas
00:28:53 Impacto de cambios de precios y distribución posterior conjunta
00:30:39 Heurísticas para resolver problemas y afrontar la complejidad
00:33:10 Desafíos con bienes perecederos y la distribución posterior
00:36:01 Dificultades de razonamiento y creación de conciencia sobre la solución
00:38:40 Problema de la tostadora de café y planificación de producción
00:42:20 Modelado de negocios y la realidad de variables complejas
00:45:34 Preocupaciones ignoradas en la optimización y la búsqueda de la bala de plata
00:49:00 El consejo del CEO y la comprensión de los procesos de negocio
00:51:58 Capacidad del almacén y la incertidumbre en la entrega de proveedores
00:54:38 La percepción del nivel de servicio y el ejercicio de briefing
00:57:33 Las pérdidas financieras de las aerolíneas y la adopción de tecnología
01:00:10 Beneficios de la búsqueda basada en IA y la compatibilidad de hardware
01:03:05 La convexidad en la optimización y la utilidad sobre la demostración
01:06:06 La convergencia del machine learning con técnicas de optimización
01:09:34 Características en tiempo de ejecución y ampliación del horizonte de búsqueda
01:12:22 Microajustes y los riesgos de la operación del almacén
01:16:09 Encontrar un buen compromiso y un seguro contra la incertidumbre
01:19:11 Aumento esperado de beneficios con la optimización estocástica
01:22:23 Ejemplo de la industria aeroespacial
01:24:30 Aceptar buenas decisiones y control de daños
01:25:19 Eficiencia en supply chain
01:26:22 Retroalimentación de los clientes y la importancia de la tecnología
01:26:56 Fin de la entrevista
Acerca del invitado
Dr. Meinolf Sellmann es fundador y CTO en InsideOpt, una startup con sede en EEUU que produce software de propósito general para automatizar toma de decisiones bajo incertidumbre. Es el ex Director de Optimización de Redes en Shopify, Director de Laboratorio para los Laboratorios de Machine Learning y Representación del Conocimiento en el Centro Global de Investigación de General Electric, Senior Manager para Cognitive Computing en IBM Research, y Profesor Asistente de Ciencias de la Computación en Brown University. Meinolf diseñó sistemas como el sistema de liquidación comercial del BCE, que maneja más de 1 billón de euros por noche, ha publicado más de 80 artículos en conferencias y revistas internacionales, posee seis patentes, y ha ganado más de 22 primeros premios en competiciones internacionales de programación.
Resumen
En una reciente entrevista en LokadTV, Conor Doherty, Joannes Vermorel y el invitado Meinolf Sellmann discutieron el papel de la optimización estocástica en supply chain management. Destacaron la importancia de considerar la variabilidad y la incertidumbre en los procesos de toma de decisiones. Los métodos deterministas tradicionales a menudo resultan insuficientes en escenarios del mundo real, lo que conduce a planes de optimización sobre-optimistas. Tanto Vermorel como Sellmann criticaron el enfoque “predict then optimize”, sugiriendo que las empresas pueden lograr mejores resultados al tener en cuenta la variabilidad del forecast durante la optimización. Subrayaron la necesidad de planes ejecutables y de una efectividad medible en cualquier modelo de optimización.
Resumen Ampliado
En una reciente entrevista conducida por Conor Doherty, Jefe de Comunicación en Lokad, el Dr. Meinolf Sellmann, CTO de InsideOpt, y Joannes Vermorel, CEO de Lokad, discutieron las complejidades de la toma de decisiones bajo incertidumbre en supply chain management. La conversación giró en torno al concepto de optimización estocástica, un método que tiene en cuenta la variabilidad inherente e impredecible en los procesos de supply chain.
El Dr. Sellmann, un computer scientist galardonado y investigador en IA, comenzó compartiendo su trayectoria profesional a través de IBM, GE, Shopify y ahora InsideOpt. Destacó cómo el machine learning se ha convertido cada vez más en parte de su trabajo, y cómo los métodos tradicionales de optimización, que son deterministas, a menudo resultan insuficientes en escenarios del mundo real. Subrayó que la toma de decisiones bajo incertidumbre es un aspecto necesario de la gestión de supply chain, y que este es el enfoque en InsideOpt.
Utilizando la industria de las aerolíneas como ejemplo, el Dr. Sellmann ilustró los desafíos de la optimización bajo incertidumbre. Explicó que, si bien los planes de optimización pueden lucir estupendos en teoría, a menudo fallan en la práctica debido a circunstancias imprevistas. Esto conduce a la conclusión de que la optimización sufre de sobre-optimismo.
Vermorel estuvo de acuerdo con la perspectiva del Dr. Sellmann, compartiendo su propia experiencia en el descubrimiento del concepto de optimización estocástica. Señaló cómo la idea de la incertidumbre a menudo falta en la literatura tradicional de optimización. Vermorel también discutió la idea de dominar el futuro para eliminar la incertidumbre, un concepto que ha resultado atractivo durante casi un siglo. Mencionó el intento de la Unión Soviética de forecast y asignar precios a 30 millones de productos con cinco años de antelación, lo cual fue un fracaso. A pesar de ello, la idea sigue atrayendo a académicos y a ciertos tipos de dirección debido a su enfoque de arriba hacia abajo.
El Dr. Sellmann criticó el enfoque tradicional “predict then optimize”, en el que un departamento realiza un forecast y otro utiliza ese forecast para la optimización. Argumentó que este enfoque ignora la variabilidad del forecast y sugirió que las empresas pueden lograr resultados operativos significativamente mejores al tener en cuenta la variabilidad del forecast durante la optimización.
Vermorel utilizó el ejemplo del overbooking en aerolíneas para ilustrar la no linealidad de ciertos problemas, donde pequeñas desviaciones pueden escalar rápidamente hasta convertirse en asuntos significativos. El Dr. Sellmann usó el ejemplo de un supermercado que vende kits de mantequilla y protector solar para ilustrar la importancia de la variabilidad en la demanda. Argumentó que es crucial tener todo el supply disponible en el momento adecuado, especialmente para productos estacionales como el protector solar.
La conversación también abordó la desconexión entre el sentido común y el uso de software en la gestión de supply chain, la importancia de forecast de escenarios potenciales para todos los productos, y las complejidades de la planificación de la producción. El Dr. Sellmann explicó que, si bien sería ideal una precisión perfecta, no es posible debido a las incertidumbres inherentes del forecast. En su lugar, lo mejor es aprender cómo se equivocan los forecast y utilizar esa información para tomar mejores decisiones.
En conclusión, la entrevista destacó la importancia de la optimización estocástica en la gestión de supply chain. Tanto el Dr. Sellmann como Vermorel enfatizaron la necesidad de tener en cuenta la variabilidad y la incertidumbre en los forecast al tomar decisiones, y la importancia de no simplificar en exceso los modelos. Sugerieron que cualquier modelo de optimización puede considerarse una simulación de lo que sucedería bajo ciertas condiciones, y que es crucial garantizar que el plan sea ejecutable y que su efectividad se pueda medir.
Transcripción Completa
Conor Doherty: Bienvenido de nuevo. La incertidumbre y la estocasticidad son la esencia de supply chain. El invitado de hoy, el Dr. Meinolf Sellman, no es ajeno a esto. Es un computer scientist galardonado, un investigador en IA condecorado, y es el CTO en InsideOpt. Hoy, va a hablar con Joannes y conmigo sobre la toma de decisiones bajo incertidumbre. Meinolf, eres muy bienvenido a Lokad.
Meinolf Sellman: Muchas gracias, Conor, y mucho gusto en conocerte, Joannes. Espero con interés la discusión.
Conor Doherty: Bien, gracias y muchas gracias por acompañarnos. Disculpa por la breve introducción. Me gusta ir directamente al invitado, pero eso tiene como consecuencia que no hago justicia al trasfondo de con quién estamos hablando. Entonces, ¿podrías, por favor, en primer lugar disculparme y luego llenar algunos de los vacíos en cuanto a tu trayectoria?
Meinolf Sellman: Claro. Creo que has cubierto la esencia. Soy una persona de optimización de corazón. Es, en cierto modo, lo que impulsó mi tesis de diploma. El sistema alemán es muy similar al francés. Mi tesis consistió en construir un solucionador de programación entera mixta para un sistema de álgebra computacional. Así que, incluso desde mis primeros días como estudiante, he estado en este lado de la toma de decisiones, explorando cómo podemos usar las computadoras para llegar a mejores decisiones.
Fui postdoctor en Cornell, profesor en Brown, luego senior manager en IBM, director de tecnología en GE, luego director en Shopify, y ahora CTO en InsideOpt. A lo largo de este camino, se puede ver que el machine learning se ha ido integrando cada vez más.
La optimización tradicional es determinista. Tienes conocimiento completo de todo lo que está sucediendo, simplemente intentas encontrar el mejor curso de acción. En el momento en que entras en contacto con la práctica, te das cuenta de que no es así. Necesitas incorporar cada vez más tecnología que te permita tomar decisiones bajo incertidumbre, y eso es realmente lo que nos entusiasma aquí en InsideOpt.
Conor Doherty: Gracias. De nuevo, mencionaste muchos nombres importantes en cuanto a tu experiencia en IBM, General Electric y Shopify. Sin violar ningún posible NDA, ¿qué detalles o experiencias han influido mayormente en tu perspectiva sobre el forecast y la toma de decisiones ahora que estás en InsideOpt?
Meinolf Sellman: Mira una industria como la de las aerolíneas. Tradicionalmente, se gasta muchísimo en optimización. Es una de las áreas o de las industrias que probablemente ha invertido de manera más temprana y a lo largo de las décadas, lo más en tecnología de optimización. Y luego mira lo divertido que es dirigir una aerolínea. Obtienen planes increíbles, ¿cierto? Tienen planes de tripulación. Necesitan decidir qué piloto está en qué avión, qué auxiliar de vuelo en qué avión, qué aviones usar para qué trayectos. También necesitan decidir qué tipo de trayectos ofrecer, qué vuelos directos ofrecer y luego cómo convertirlos en rutas, necesitan hacer revenue management. Para todas estas decisiones, decisiones operativas, están utilizando optimización y en papel, esos planes se ven fantásticos. Usualmente pueden venir, si no con una optimalidad demostrable, al menos con alguna garantía de rendimiento.
Pero luego, si operas una aerolínea, sabes que pierdes la camisa el día de la operación, porque entonces las cosas son ligeramente diferentes. El clima no es lo que esperabas, los controladores de tráfico aéreo en Francia sienten que no se les paga lo suficiente, la puerta está llena, algún equipo se rompe. Todas esas cosas pueden salir mal. Y si alguna vez has volado, sabes que el lema de la aerolínea es “Si hoy está jodido, entonces hoy está jodido. Asegurémonos de que mañana no lo esté.” Y así es como te tratan. No les importa que llegues a donde necesitas ir hoy, quieren que estés de regreso en el plan mañana, porque si llegan con una mala situación a mañana, entonces mañana también estará jodido.
¿Qué te dice eso? Te dice que la optimización sufre de sobre-optimismo de que todo saldrá según lo planeado. Y eso es lo que queremos cambiar.
Conor Doherty: Gracias. Joannes, ¿está en línea con tu punto de vista?
Joannes Vermorel: Absolutamente. Para mí, fue muy intrigante porque descubrí relativamente tarde la noción misma de optimización estocástica. Estaba muy familiarizado en mis 20s con la optimización regular, ya sabes, la optimización convexa, leí libros enteros sobre ese tipo de cosas. Y así, la optimización clásica que comienza con el álgebra lineal y cosas como el algoritmo del simplex y demás, literalmente se enseñan no en la secundaria, sino justo después.
Y luego, estudié durante algunos años, cuando era estudiante, investigación de operaciones, ese es el nombre tradicional que se le da al tema. Y nuevamente, puedes pasar literalmente por cientos de páginas de casos donde hay fábricas, aviones, todo tipo de asignaciones de activos, máquinas, personas, y demás. Y, sin embargo, en ningún momento se discute el elefante en la habitación, que es que las cosas pueden salir mal. Simplemente tienes una modelización de la situación que podría ser incorrecta y luego todo lo que optimizas termina siendo extremadamente frágil.
El momento en que me di cuenta de cuán profundo era el agujero del conejo fue al leer el libro “Antifragile” de Nassim Nicholas Taleb. Eso fue hace bastante tiempo, pero luego me di cuenta de que había un paradigma ausente que era realmente ubicuo. Y entonces comencé a interesarme en este tipo de optimización de forma general. Para mí, lo más sorprendente es lo ausente que está de cuerpos enteros de literatura que tratan como si esta idea de incertidumbre, de no conocer perfectamente tu loss function, fuera literalmente una dimensión faltante. Hay una dimensión faltante y es más difícil ver lo que no ves. No es que esté mal, es más como que hay una dimensión entera que está ausente en un campo de estudio muy grande, muy extenso y muy antiguo.
Conor Doherty: Bueno, en realidad, si puedo continuar con eso. Cuando mencionaste la idea de paradigmas faltantes y cosas que están completamente ausentes, se yuxtapone muy bien con una de las razones por las que en realidad nos pusimos en contacto con Meinolf. Tu perspectiva sobre lo que podríamos llamar la planificación, forecast, y las políticas de inventario tradicionales generalmente cae en una especie de enfoque de “forecast primero, tomar decisiones después”, lo cual es paradigmáticamente muy diferente a lo que creo que todos en la sala abogarían. Así que, primero, se lo paso a ti, Meinolf. ¿Podrías esbozar las diferencias, el enfoque tradicional, y luego los paradigmas faltantes que tú y Joannes ven?
Meinolf Sellman: Sí, pues, como te puedes imaginar, si manejas un sistema de fulfillment, tienes una tienda ecommerce y necesitas ubicar en algún lugar de tu warehouse los productos que esperas que la gente compre. El problema inherente con el que te encuentras es que no sabes cuánto se comprará y dónde. Entonces, necesitas formular una expectativa, digamos así. Así que necesitas hacer un forecast o predicción, en términos generales. Y hay personas que hacen eso por ti, y típicamente este es tu departamento de machine learning. Estos chicos saben todo acerca de, “Oh, hay valores faltantes aquí.” Por ejemplo, digamos que tuviste faltante de stock en algún momento, lo que significa que realmente no sabes cuánto se habría vendido porque te quedaste sin stock. Entonces, en realidad, no sabes cuánto podrías haber vendido si hubieras tenido más. Ellos se ocupan de los valores atípicos, de los valores faltantes, del ruido y de todo lo que es incierto, y a partir de ello, hacen un forecast, una predicción.
Y luego tienes ese segundo departamento, que, como decía Joannes con mucha razón, en general estas personas no se ocupan de la incertidumbre. Dicen: “Oh, gran predicción. Vamos a meterla en mi modelo de optimización como si hubiera sido dada por el Oráculo de Delfos o algo así.” Es como si tuvieras conocimiento perfecto del futuro. Simplemente tratas esos números que tienes y dices, “Oh, mi demanda de protector solar para la próxima semana es de 20 tubos. Así que pongámoslos en la estantería,” sin considerar ninguna variabilidad que exista.
Este “predict then optimize”, que es como se le llama, es en parte debido al hecho de que tienes dos departamentos diferentes que poseen conjuntos de habilidades muy distintos. Y sería muy difícil para ti decir, “Oh, los que hacen machine learning ahora necesitan aprender todo sobre optimización,” o tal vez los optimizadores necesitan aprender más sobre machine learning. Así que, típicamente, las empresas evitan mezclar estas habilidades. Esa es una de las razones por las que existe esa separación.
Sin embargo, el detalle es que, si transfieres la incertidumbre de un departamento a otro, ésta no desaparece. Así que, al ignorarla, en realidad estás dejando mucho dinero sobre la mesa. Y esa es la segunda razón por la que la gente no investiga esto más a fondo, porque les suena a que los que hacen machine learning hicieron su trabajo. Regresaron, y hacen cosas como, después de construir un modelo, prueban su maquinaria a través de algo que se llama, por ejemplo, una cross-validation. Entonces, entras en datos conocidos y dices, “Oye, si solo tuviera este fragmento de datos y tuviera que hacer una predicción para la otra parte de los datos, ¿qué tan bien habría funcionado?” De esta manera, puedes convencerte de que vas a obtener muy buenas predicciones del departamento de machine learning.
Y hacen eso y tú lo controlas y dices: “Oh, esto es asombroso. Tienen buenas predicciones.” Y luego, los optimizadores vuelven de todas maneras y dirán, “O bien tengo un límite de desempeño o, hey, tengo aquí una solución probablemente óptima.” Así que, si diriges una empresa, no esperarías que haya margen de mejora al hacer que estos departamentos trabajen mejor juntos. Y, en realidad, puedes obtener resultados operativos un 15%, 20%, 25% mejores si en realidad tomas en cuenta la variabilidad en el forecast al realizar la optimización. Pero la gente no lo ve.
Entonces, en parte, es estructural que este “predict and optimize” persista tanto que no se quiera mezclar habilidades. La otra parte es que no se percata que, al integrar estas cosas más de cerca, cuánto se está dejando sobre la mesa. Porque suena como, “Oye, forecast asombroso, optimalidad demostrable, genial. El resto es solo el costo de hacer negocios.” Y no lo es. Esto es, creo, lo que Joannes y yo estamos aquí para decirle a la audiencia hoy. Esto no es el costo de hacer negocios.
Conor Doherty: Bueno, Joannes, ¿es ese el costo de hacer negocios? ¿Meinolf tiene razón?
Joannes Vermorel: Sí, y además creo que hay otra dimensión. La idea de dominar, de conquistar el futuro de manera que elimines la incertidumbre por completo, ha sido durante casi un siglo una idea muy seductora. La Unión Soviética colapsó, pero la idea de hacer un plan quinquenal y tener todo orquestado no murió con la Unión Soviética. En algún momento, creo que tenían alrededor de 30 millones de productos que tenían que fijar precios y hacer forecast a cinco años de anticipación. Fue un completo fracaso a nivel pragmático.
El atractivo de esta idea no murió con la Unión Soviética. Todavía tiene atractivo, especialmente para los académicos. La idea de que podrías enmarcar el futuro del mundo de tal manera que tengas tu forecast y esa va a ser la verdad, y luego se trate simplemente de la orquestación. Además, resuena con ciertos tipos de gestión porque tiene este enfoque muy de arriba hacia abajo.
Tiene este atractivo de la simplicidad. Obviamente, esto es una falacia porque no tienes el control. Tus clientes tienen sus propias agendas, pueden decidir otras cosas. Tu proveedor intenta hacer su mejor esfuerzo, pero a veces su mejor esfuerzo aún no es muy bueno. Además, tienes choques. A veces es algo muy dramático como una guerra, a veces es algo muy tonto como un barco que se queda atascado en el canal de Suez, y todas tus importaciones se retrasan debido a un evento tonto. Pero, sea cual sea la causa, el futuro es caótico.
Es muy difícil racionalizar este tipo de caos. Es aún más difícil razonar sobre él. Razonar acerca de un futuro perfecto es simple. Ese era el tipo de retroalimentación que recibíamos en los primeros años de Lokad. “Señor Vermorel, simplemente proporciónenos accurate forecasts. Manténgase en un error del 3% y listo.” Y, obviamente, si hubiéramos sido capaces de entregar eso, entonces no habría habido ningún beneficio real en combinar el forecast y la optimización.
Pero aquí estamos, 15 años después. Incluso si Lokad está haciéndolo muy bien en cuanto a forecast, para la mayoría de los negocios, un 3% de inexactitud es simplemente ridículo. Ni siquiera estamos cerca de eso. Nunca estaremos cerca de eso al nivel de SKU.
Meinolf Sellmann: Sí, suena duro comparar la práctica industrial con la Unión Soviética, pero vi un anuncio de un solucionador MIP el otro día en el que decían, “Usando nuestro solucionador MIP, esta aerolínea ahora optimizó su plan quinquenal.” Y creo que dejé un comentario de que a Khrushchev le habría encantado. Es cierto, tiene mucho atractivo decir, “Puedo forecast el futuro, la IA es asombrosa, y luego optimizo para ello y ahora estoy bien.”
Joannes Vermorel: Creo que el atractivo de la ideología es fuerte. Pienso que la gente descartaría eso, “Oh no, soy pro-mercado, no soy comunista.” Pero se pierden de vista lo que hacía que este tipo de ideología fuera tan atractiva. Incluso si entras en el mundo académico, con frecuencia encontrarás personas que son defensoras de esas visiones. La idea de tener control sobre tu futuro es muy atractiva. La idea de poder aplicar de arriba hacia abajo algún tipo de método científico y razonar desde la cima con un gran plan, es completamente racional de arriba a abajo. En papel, parece gestión moderna. Resulta que en realidad no es gestión moderna, sino más bien mala gestión moderna, pero puedo sentir el atractivo y la apariencia de racionalidad.
Pero viene con efectos secundarios que son iatrogénicos, cosas no intencionadas pero que socavan fundamentalmente esos planes. Terminas con decisiones supuestamente óptimas que resultan ser imposiblemente frágiles, donde la más mínima desviación simplemente te revienta en la cara de maneras bastante sorprendentes.
Meinolf Sellmann: Probablemente, esta es la falacia más común. La gente piensa, “Tal vez no pueda forecast el futuro perfectamente, pero incluso si hay ligeras desviaciones, mis decisiones probablemente serán más o menos las mismas.” Eso es exactamente lo que no es cierto. Este tipo de cambio continuo que esperarías simplemente no existe en la práctica. Por eso, aunque suena tan racional hacer un forecast y luego basar una decisión en él, en realidad es lo más irracional que se puede hacer. Debes esperar que no tengas acceso a toda la información que deberías tener.
En realidad, el enfoque racional es hacer lo que Lokad hace, lo que construimos nuestro software para ti en insideOpt, que es tomar en cuenta la variabilidad que debes esperar en tu forecast al momento de tomar tus decisiones.
Joannes Vermorel: Sí, y solo un ejemplo para la audiencia. Si quieres jugar al juego del overbooking en las aerolíneas, está bien. Siempre hay algunos pasajeros que no se presentan, por lo que puedes vender algunos boletos más de los asientos que tienes en el avión. Pero el problema es que, en algún momento, te quedas realmente corto de asientos. Tenías solo 200 asientos, vendiste 220 pensando que habría 20 personas que no se presentarían, pero en realidad se presentaron 205. Así que tienes como cinco personas que, sin importar lo que hagas, no cabrán en el avión. Sí, puedes darles una compensación y jugar con todo tipo de estrategias, pero al final del día, tienes a cinco personas que tendrán una calidad de servicio terrible para el vuelo que te compraron.
Entonces, es algo muy no lineal, donde en los primeros asientos, sí, puedes hacer overbooking en el avión, pero luego hay un límite y alcanzarlo es brutal, especialmente para aquellas personas que tuvieran algo realmente importante que atender. No es absolutamente como un problema suavemente lineal en el que es solo un poco más de lo mismo. No, hay como un tope y luego se convierte en un problema real, muy rápidamente.
Conor Doherty: Para continuar y luego unir un par de ideas, porque ambos dijeron cosas realmente interesantes que llevan al siguiente punto. Joannes, tu ejemplo de overbooking y Meinolf, tu ejemplo de medir la demanda. Por ejemplo, vendí 20 unidades de crema para la piel el mes pasado. Bueno, lo hiciste, pero tuviste un faltante de stock, así que en realidad no sabes cuál habría sido la demanda.
Cuando piensas de forma racional sobre el problema, naturalmente te lleva a la optimización estocástica, a abrazar esa incertidumbre. No existe una respuesta perfecta, y creo que tienes una frase en tus conferencias en YouTube, algo como “Ahora lo voy a fastidiar, porque una buena solución ahora es mejor que la perfecta demasiado tarde” o algo por el estilo.
Meinolf Sellmann: Sí, ese es otro punto, también cuando el tiempo que necesitas para encontrar una buena respuesta influye en la calidad de la misma. Sí, definitivamente lo necesitas. Pero, a lo que apuntas, ¿por qué importa la variabilidad? Expliquémoslo con un ejemplo. Supongamos que diriges un supermercado en París y tienes diferentes productos que colocas en las estanterías. Hay mantequilla y hay kits de protector solar. Dos productos muy diferentes. Si tienes un forecast de que vas a vender 300 de esos kits en los próximos 30 días, ¿deberías decir que son 10 por día? No. Con la mantequilla, puedes hacerlo porque su demanda es constante y, básicamente, tu forecast se mantiene alrededor de su promedio todo el tiempo y solo se desvía un poco hacia la izquierda o la derecha. Pero con el protector solar, es más bien como que ahora mismo el clima es malo, el clima es malo, el clima es malo, y luego llega ese fin de semana en el que sale el sol y todo el mundo se prepara y compra el protector solar básicamente para todo el verano. Si no tienes todo el suministro disponible en el supermercado en ese momento, simplemente lo perdiste. No es que, porque solo tuviste 10 de esos kits disponibles hoy, vayas a compensar los otros 290 mañana. No, a partir del lunes, ya no vas a vender ninguno de esos más.
Y esa es, en cierto modo, la diferencia, ¿verdad? El valor esperado puede ser el mismo, pero importa mucho si la variabilidad está distribuida estrechamente alrededor de ese valor esperado o si existe básicamente una gran discrepancia en la que dirías, bueno, es o nada o ese gran valor. Y si no tomas eso en cuenta a la hora de tomar tus decisiones, simplemente se te escapa, ¿cierto? Y de esa manera, estás dejando mucho dinero sobre la mesa si tratas los productos, por ejemplo, de esa forma. Espero que eso ejemplifique de alguna manera de qué estamos hablando aquí, ¿verdad? Los valores esperados son valores esperados, pero lo que necesitas saber es qué escenarios es que realmente debes examinar. Y eso es lo que hace la optimización estocástica. Examina diferentes futuros potenciales e intenta encontrar una decisión de compromiso hoy.
Entonces, para las cosas que necesitas decidir hoy, donde no puedes esperar a ver cómo se ve el futuro, para esas decisiones, intenta encontrar una buena posición de partida para que luego puedas actuar muy bien una vez que el futuro se revele. Eso es lo que es la optimización estocástica, y eso es, en mi opinión, lo que todo ser humano hace cada día. Porque olvidamos hacer eso tan pronto como usamos una computadora para estas tareas.
Conor Doherty: Gracias, Meinolf. Joannes, ¿cómo se alinea eso con tu comprensión de la optimización estocástica?
Joannes Vermorel: Sí, ese es el caso de tener, como Meinolf estaba mencionando, un patrón para el protector solar que es muy estacional pero el inicio de la temporada varía según el clima de un año para otro. Es muy clásico. Hay toneladas de productos que entran en esta categoría. Otro tipo de producto, tomando como ejemplo similar el retail, es la tienda de do-it-yourself (DIY) donde la gente compraría como cuatro u ocho unidades a la vez porque son como interruptores de luz y no quieren tener cuatro u ocho interruptores de luz en su apartamento que se vean todos diferentes. Así que, cuando compran, querrán tener, por ejemplo, cuatro u ocho todos iguales al mismo tiempo.
Si piensas que tener tres en el estante significa que no sufres un faltante de stock, esto es incorrecto. Porque en realidad, la persona entra en la tienda, dice “quiero cuatro”, pero solo hay tres, y por eso se dirige a otro lugar donde pueda encontrar cuatro unidades que sean iguales. Así que la irregularidad de la demanda importa de verdad y es precisamente en este tipo de situaciones donde, de repente, necesitamos analizar la estructura fina de la erraticidad más que algo que se promedie en un largo período de tiempo.
Y, de hecho, eso es lo que instintivamente sabe la persona que dirige la tienda. Es inútil tener un interruptor de luz por sí solo. Necesito tener o bien una caja de ellos, todos iguales, o es mejor no tenerlos en absoluto, porque la gente simplemente ni se molesta en mirar un producto aislado. Un martillo aislado está bien, ya que la gente no viene a comprar, por ejemplo, cuatro martillos idénticos, pero los interruptores de luz no funcionan así. Y eso es algo que, quiero decir, no es como la matemática de la ciencia de cohetes cuando se piensa en ello.
Creo que tienes toda la razón. He presenciado lo mismo. La gente, especialmente los supply chain practitioners, lo sabe de forma instintiva. No necesitan las matemáticas, pero tan pronto entran en el ámbito del enterprise software, de repente se supone que un promedio móvil y un poco de suavizamiento exponencial cubren el caso. Y dicen: “no te preocupes, si el promedio móvil no es suficiente, tenemos ABC classes para refinar el asunto”. Y pienso que eso aún no ayuda. Y estoy de acuerdo, hay una desconexión en la que, supuestamente, al entrar en este ámbito del software, la gente deja su sentido común en la puerta pensando que la máquina lo hace todo, que es demasiado complicado. Entonces, obviamente, si están haciendo suavizamiento exponencial, el término “exponencial” implica que tiene que ser científico y avanzado, ¿no?
Meinolf Sellmann: Nos gusta descomponer los problemas. Por eso me gusta ese término, la irregularidad, que mencionaste. Es encantadoramente no técnico, algo que se puede usar sin demasiada formalidad. Pero incluso se extiende a productos complementarios. Si diriges un supermercado y aumentas los precios de la leche, de repente menos personas vienen a tu tienda porque ya no consiguen sus productos básicos allí. Entonces, de pronto, los kayaks o lo que sea que estés vendiendo de forma estacional tampoco se venden, porque simplemente hay mucho menos tráfico en la tienda. Por lo tanto, lo que realmente necesitas es una distribución posterior conjunta en la que estés haciendo forecast de escenarios potenciales sobre cómo fluye todo.
Conor Doherty: Esa descripción, específicamente de los productos básicos y luego de la interrelación, suena notablemente similar a la perspectiva de canasta de la que hablamos. Entras, puede que quieras comprar un martillo, pero si no tienen martillo, te vas. Entro, quiero comprar muchas cosas, quiero hacer una lista completa, una lista de compras completa; si falta la leche, entonces voy a otro lugar donde pueda conseguir leche además de todo lo demás. Por lo tanto, la penalización por no tener la leche no se limita a la venta perdida de la leche, es todo. Porque tener la leche habría significado que hubiera vendido la mantequilla, el pan, la mermelada, el helado, el tocino, lo que sea. Pero de nuevo, y ahora esto se enlaza con la siguiente pregunta que va dirigida a Meinolf, para defender, con el principio de caridad, a cualquiera que no esté de acuerdo: a la gente le gustan las heurísticas. Cuando hablaste de descomponer problemas, a la gente le gustan las heurísticas. Así que la idea de una clase ABC, el suavizamiento exponencial, son cosas que son más fáciles de entender, ya sabes, reglas generales. La optimización estocástica es más compleja que eso, para ser justos. ¿No?
Meinolf Sellmann: Bueno, supongo que lo justo es decir que antes no teníamos las herramientas para abordar esto de manera ordenada para un departamento, así que, manteniendo esas separaciones de intereses entre el machine learning y la optimización, no quieres tener que reentrenar a todos en tu equipo para hacer estas cosas. Y, por lo tanto, habría sido adecuado hasta, no sé, quizás hace cinco años. Pero con la tecnología actual, no diría necesariamente que es más complejo para las personas que deben implementar esas soluciones.
Conor Doherty: Bueno, entonces, el seguimiento, y de nuevo me dirigiré específicamente a Joannes en esta pregunta, pero, volviendo al tema de la precisión, que tradicionalmente se considera el KPI de referencia absoluto para cualquier forecast, ¿cómo influye la precisión en la optimización estocástica? ¿O es simplemente otra heurística que queda en el camino cuando se cambia el enfoque hacia la toma de decisiones?
Meinolf Sellmann: Sí, es decir, obviamente si alguien pudiera decirte cuáles serían los números de la lotería del próximo sábado, eso sería asombroso. El problema es que tienes que hacer forecasts y vienen con una incertidumbre inherente. No sabes todo acerca del mundo para poder saber lo que va a pasar. Así que, si eres una tienda y tienes que decidir qué tipo de platos de sushi vas a poner ahí, bienes perishable (perecederos), en cierto modo todo se aplica a lo que Joannes mencionó antes acerca de sobreventa de asientos en una aerolínea. Si no vendes el sushi, tienes que desecharlo. Y eso significa que el costo total de producirlo, transportarlo, fijar su precio y ponerlo allí se pierde si no se vende. Por lo tanto, no quieres sobreabastecerte de aquellos productos de margen relativamente bajo en comparación con el costo que pierdes cuando son perecederos.
¿Sabes si están esas cinco madres jóvenes que decidieron “Genial, podemos comer sushi de nuevo” y que van a hacer una fiesta y están saqueando tu tienda? No lo sabes, simplemente no puedes prever que aparecerán y comprarán 40 de esos platos de sushi de repente. Y no es posible saber estas cosas. Así que hay incertidumbre allí. Si tuvieras un forecast perfecto, sería asombroso. Pero ahora, al ver que no lo puedes tener, haces lo siguiente mejor, que es tratar de aprender en qué se equivocan mis forecasts. Y esto es lo que llamamos una distribución posterior. Entonces decimos: “Bueno, mira, ¿esto significa que si coloco estos platos de sushi allí, significa que mi valor esperado es, digamos, 50 platos, o sea, la mayoría de los días son 50 platos, a veces son 48, a veces 42, bien; o, por el contrario, 50 platos significa que pueden ser 25 o 75?” Gran diferencia. La precisión es la misma, el valor esperado es 50, ¿verdad? Pero los escenarios que necesitas analizar y las decisiones que debes derivar de ello, en términos de lo que vas a poner en tu estante, son muy, muy diferentes. Así que es un poco engañoso. La precisión sería asombrosa si pudieras lograr el 100%. Si no puedes obtener el 100%, necesitas hacer lo siguiente mejor, y eso es forecast y evaluar en qué estás fallando.
Joannes Vermorel: Sí, y solo para retomar el comentario de Meinolf sobre la complejidad o la complejidad percibida, yo creo que, muy frecuentemente, al enfrentar una situación, el instinto es comenzar con una solución. Es muy difícil concebir un problema hasta tener la solución. Es muy extraño. Ya sabes, nuevamente, el pensamiento cartesiano sería: consideremos este problema e investiguemos la solución, pero absolutamente no es así como opera la gente, ni siquiera yo. Es más bien como si tuviera este abanico de soluciones que puedo imaginar y, a partir de eso, pudiera reconstruir un problema que puedo resolver. Ya sabes, generalmente es al revés.
Así que comienzas con una solución o con el abanico de soluciones que estás dispuesto a considerar y, basándote en ello, eliges el problema que crees que puedes resolver. Porque hay un montón de problemas que serían fantásticos, pero simplemente no puedes resolverlos. Ya sabes, tener autos voladores, no sé cómo fabricar un motor antigravedad, así que ni siquiera pierdo tiempo considerando cuál sería el mejor diseño para un auto volador, porque está tan remotamente lejos de poder hacerlo que ni siquiera es un problema que merezca mi tiempo.
Retomando eso, creo que cuando llegamos a la incertidumbre en el forecast y luego tratamos, procesamos esta incertidumbre en el lado de la optimización, eso es optimización estocástica. Creo que el elemento, y estoy contigo en cuanto al progreso de la tecnología, es que se requieren ingredientes tecnológicos, conceptos, paradigmas, algunas cosas. No son naturalmente muy difíciles, pero si inicialmente vives sin esas cosas, es muy difícil imaginarlas de la nada. Es como si, fundamentalmente, no fuesen tan difíciles, pero sí muy extrañas.
Hoy en día, la gente da por sentado que puede tener una llamada con alguien que está al otro lado del mundo, y eso es algo normal. Dile eso a una persona hace 200 años y pensarían que es pura magia. Ya sabes, la idea de que pudieras hacer algo así era simplemente inconcebible. Entonces, ¿puede la gente hacerlo hoy en día? Sí, con bastante facilidad. Pero de nuevo, ellos ya conocen la solución, así que pensar en el problema es mucho más sencillo.
Retomando eso, creo que el desafío es que hasta que no tengas la solución, es muy difícil razonar sobre ello. Y si pasamos, quizás, al tipo de producto que están desarrollando en InsideOpt, con Seeker, es que si lo único que tienes son herramientas de optimización que no tratan ningún tipo de incertidumbre, entonces todos los problemas de optimización que estás dispuesto a considerar son, por diseño, aquellos en los que, de una manera paradigmática, has eliminado la incertidumbre.
Esta es mi solución definitiva, así que necesito un problema que encaje. Y éste es. Por eso veo que el mayor desafío a veces es simplemente crear la conciencia de la existencia de la clase de soluciones, para que la gente siquiera pueda pensar en la clase de problemas. Sé que estoy siendo muy meta aquí.
Conor Doherty: Bueno, en realidad, para continuar, ya que es una transición perfecta —quizás de forma no intencionada— te daré crédito de todas maneras. Cuando hablas de principios fundamentales, comenzando con el problema y luego yendo a la solución, en una de tus conferencias hablas sobre el problema de la Tostaduría de Café. ¿Podrías esbozarlo, por favor? Porque, de nuevo, es un ejemplo muy vívido y muy agradable. Define cuál es el problema y luego explica cómo, de manera estocástica, podríamos resolverlo o, usando la optimización estocástica, podríamos solucionarlo.
Meinolf Sellmann: Es en realidad un problema muy clásico en la optimización. Se llama planificación de la producción. Si alguna vez tomaste un curso sobre el curso de trabajo estándar al que acabas de referirte, que es la solución definitiva para todo en optimización —la programación entera mixta— probablemente hayas encontrado un ejemplo de planificación de la producción.
Entonces, ¿qué es la planificación de la producción? Tienes recursos limitados para fabricar los productos que deseas hacer, y cuentas con una ganancia esperada que se obtiene al producir cada unidad de cada producto. Pero estos productos comparten esas capacidades de producción. Por ejemplo, máquinas que pueden realizar múltiples productos diferentes, la línea de envasado, las tostadoras en el caso del café, y a veces comparten los ingredientes. Diferentes tipos de café pueden usar el mismo tipo de granos. Normalmente, es una mezcla de granos la que se utiliza.
Entonces, la pregunta se vuelve: ¿qué voy a producir, en qué capacidad de producción y en qué momento? Esto es algo que se debe hacer todos los días para producir café. Tiene que haber alguien que diga: “vamos a tostar estos granos crudos aquí, vamos a almacenarlos en ese silo de allá, porque no se pueden usar de inmediato. Necesitan enfriarse antes de envasarlos.”
Y luego los sacas nuevamente. También necesitas decidir cuándo vas a sacar qué de qué silo y, después, moverlo a las líneas de envasado, las cuales tienen capacidades limitadas. Hasta aquí, todo bien.
Si ahora supieras exactamente cuánto tiempo toma tostar el café, la vida sería mucho más fácil. Además, si supieras exactamente cuánto tarda en enfriarse los granos, la vida también sería mucho más sencilla. El problema es que tienes solo estimaciones para ambos. Así que, dependiendo de qué tan secos estén los granos que llegan a la fábrica de tostado, el tiempo de tostado es menor o mayor para lograr la perfección. Y eso, por supuesto, estropea todo, porque no puedes simplemente dejar la tostadora funcionando.
Si no estás tostando nada por más de 10 minutos, tienes que apagarla, y si la apagas, tardará media hora en volver a estar operativa. Entonces, de repente, te enfrentas a estas no linealidades en las que piensas: “Bueno, de acuerdo, ahora la tostadora se apagó sola, y buena suerte tratando de tostar durante la próxima media hora.”
Ahora podrías decir, “¿qué daño hace si empiezo a tostar lo siguiente antes?” Pues, no sabes dónde poner esa materia prima, porque los silos están llenos y el envasado no sigue el ritmo. Entonces, para liberar espacio para el siguiente producto que saldría de la tostadora, necesitas liberar esa capacidad, pero eso significa generar presión en otra parte del sistema.
Y ahora te sientas y necesitas idear un plan. Es decir, descubres que las tostadoras, de hecho, están paradas durante cierto tiempo, simplemente, porque no saben dónde almacenar el producto, el producto terminado pero sin envasar. Y eso, por supuesto, supone una enorme tensión en los costos operativos de un negocio de este tipo.
Joannes Vermorel: Creo que refleja el hecho de que hay que tener cuidado con una modelización simplista. Existe un grado de detalle en el negocio que es muy alto y que también implica otra cosa. La mayoría de los modelos publicados en la literatura y la mayor parte de lo que se enseña en los cursos te ofrecen una solución directa, más o menos sofisticada, para un problema que se comporta de manera ordenada.
Así que tienes un problema que posee una estructura agradable, algo que, como profesor universitario, sabes que no quieres pasar dos horas simplemente escribiendo todas las variables. Por ello, presentarás el problema de manera que tenga, como máximo, 10 variables y que no pases dos horas presentando todos los factores del problema. Es decir, deseas algo que pueda tener, como máximo, 10 variables, máximo tres ecuaciones, para terminar con ello y continuar.
Lo cual es engañoso porque la realidad viene con muchos detalles y, por lo tanto, ¿qué te deja eso? Te deja que recibir una solución, un modelo, es algo inútil. No es suficiente. No es suficiente porque, bueno, nunca conoces exactamente tu situación. Intentarás modelarla, luego descubrirás algo y después revisarás tu modelización.
Y tal vez digas: “Vale, esto es demasiado complejo para modelarlo, me rindo.” Pero necesito reintroducir esta otra variable que había ignorado, porque en realidad fue un error ignorarla. Realmente impacta mi operación. Y así, el propio modelo, según la perspectiva típica de la Academia, es algo dado. Existirá una prueba, aparecerán formas canónicas y demás.
Y eso es exactamente lo que obtendrás con la programación entera mixta, donde existe una serie de problemas que pueden resolverse fácilmente con formas canónicas y demás. Pero la realidad es que cuando se trata de una supply chain real, tienes un problema en constante cambio y aprendes al aplicar la herramienta, sea lo que sea, al problema y revisas.
Y de repente te das cuenta de que lo que importa es que necesitas algo, de nuevo, más abstracto, algo que te permita cambiar de manera ágil y eficiente de una instancia del problema a la siguiente y continuar haciéndolo. Lo que implica todo tipo de cosas. Debe ser computacionalmente rápido, debe ser versátil para que puedas expresar todo tipo de soluciones diversas. Además, debería ser bastante conveniente para integrarse en el resto de tu applicative landscape.
Así que viene con muchas preocupaciones adicionales que, nuevamente, si observas la literatura típica de optimización matemática, esas preocupaciones de las que acabo de hablar ni siquiera se mencionan. Puedes ir de la primera página a la última del libro y en ningún momento discutirían, “por cierto, este método es super lento, poco práctico o este enfoque es tan rígido que, ante la más pequeña revisión del modelo, tendrías que descartarlo por completo y volver a empezar.”
O este enfoque es tan propenso a errores que, sí, en teoría, podrías hacerlo de esa manera si fueras como la NASA, tuvieras ingenieros super brillantes y una década para abordar el problema. Pero en la práctica, si tienes prisa, nunca funcionará. Así que existen muchas preocupaciones meta que son muy, muy importantes. Y, nuevamente, creo que esto podría relacionarse con el tipo de cosas que estás haciendo con Seeker y con la manera en que abordas esta clase de problemas.
Meinolf Sellman: Sí. Y quiero decir, si miras, ya sabes, volviendo a lo que decías antes, que siempre estamos buscando una solución milagrosa, ¿verdad? Así que, estás absolutamente en lo correcto, Joannes, en que cuando la gente modela el negocio —y probablemente eso es lo que interesa a la audiencia aquí—, es decir: “oye, ¿cómo obtenemos mejores resultados, más tangibles para el negocio?”
En cierta medida, te ves obligado a hacer una aproximación de la vida real en la computadora y, de alguna manera, simularla, ¿verdad? Es decir, de una forma u otra, puedes pensar en cualquier modelo de optimización como una simulación de: “oye, ¿qué pasaría si hago esto?” y luego calcular lo que sucedería, ¿verdad? ¿Sigue siendo algo que el plan aún puede ejecutar, lo que llamaríamos factible en la terminología de la optimización?
Entonces, ¿cumple con todas las restricciones laterales? Esto es ejecutable. Pero, en segundo lugar, ¿qué tan bueno es en realidad, verdad? A lo que se le llama función objetivo, la forma en que medimos el KPI que intentamos optimizar. ¿Me entiendes? Eso sería mejor. Pero el punto ahora es que, si sales corriendo y la única herramienta que conoces es un martillo, en algún momento te encontrarás poniendo clavos en tus ventanas para colgar tus cortinas.
Y es una muy, muy mala idea. Y esto es lo que los chicos de MIP están haciendo cuando se enfrentan a cosas como supply chain y optimización bajo incertidumbre en general. Porque están utilizando una herramienta hecha para la optimización determinista y, para eso, es absolutamente fabulosa. Pero te obliga a hacer aproximaciones tanto del lado del determinismo versus el no-determinismo o, debería decir, incertidumbre, ya que no-determinismo tiene otro significado en ese contexto.
Al linearizar todo, hay tantas relaciones en un negocio que simplemente no son lineales. Y entonces la pregunta es: ¿puedes de alguna manera aproximarlo? ¿Puedes ajustar alguna función lineal por tramos a tu función no lineal? ¿Puedes binarizar las cosas? ¿Es eso lo que está ocurriendo?
Ahora, para hacer eso más tangible para la audiencia, si dirijes un negocio, digamos que eres el CEO de una empresa, claro, quiero decir, simplemente puedes ir a Lokad y decir, “oye, vamos a comprártelo,” y ellos se encargarán de ti. Pero, digamos, tienes otra compañía que lo hace por ti, o tienes tu propio departamento que lo hace, ¿qué deberías hacer para obtener mejores operaciones?
Entonces, ahora podrías estar intrigado y decir: “Oh, existe todo este otro asunto y, ya sabes, un 20% mejor en costo operativo suena increíble. ¿Cómo consigo eso?” Lo primero que necesitas hacer es preguntar: “¿Cuál es nuestro proceso? ¿Es este un proceso de predict and optimize?” Pero luego, en segundo lugar, “¿Qué libertades tomamos al modelar el sistema real con el que realmente estamos lidiando? ¿En qué estamos haciendo aproximaciones?”
Y así, lo que deberías seguir en ambos casos, para ver cuál es la discrepancia, es decir: “Bien, mira, tu modelo de optimización tenía una función objetivo. Decía que prefería esta solución sobre aquella solución porque mi función objetivo, que se supone debe aproximar el KPI real, es mejor para esta solución que para esa otra. Ahora dime, para la solución óptima, ¿cuál es mi KPI esperado?”
Y luego, hazle seguimiento, monitorea eso y compáralo con las soluciones y resultados reales de tu sistema que realmente estás obteniendo. Así, si estás minimizando costos, sigue los costos y observa la diferencia entre lo que el MIP creía que serían los costos y lo que realmente son tus costos. O, ya sabes, si estás maximizando ganancias, pues, sigues ese indicador. Pero el punto aquí es este: hazle seguimiento, observa la diferencia entre lo que se usó para tomar la decisión y lo que luego se materializa.
Y hay dos fuentes para cualquier discrepancia. La primera es que te forzaron a encajar tu sistema en un marco de modelado que era demasiado restrictivo. Eso es algo malo. La otra es que simplemente ignoraste por completo que existe incertidumbre y de ahí proviene la discrepancia. Si ves una discrepancia de más del 5% ahí, necesitas hablar con uno de nosotros.
Joannes Vermorel: Y agregaría a tu receta, y estoy de acuerdo con el proceso de pensamiento que acabas de esbozar, incluso añadiría algo que normalmente recomiendo incluso antes de este proceso. Algo que, desde el mismísimo comienzo, es —ya que había el problema de las herramientas equivocadas— pero diría que, incluso antes de eso, existe el problema de tener los conceptos equivocados, las ideas erróneas.
Solo para darte un ejemplo, la noción de factibilidad que se encuentra en la literatura clásica de optimización. La gente diría, “Oh, existe una solución que es factible o no factible.” Bien, tengamos un ejemplo concreto. ¿Es algo que es realmente blanco o negro de esa manera?
Solo para dar un ejemplo, estamos en un almacén y enviamos pedidos a los proveedores de manera rutinaria. Y el almacén tiene una capacidad finita para recepciones. Así que, en cualquier día dado, digamos que puede recibir un máximo de 1,000 unidades. Más allá de eso, no se puede. Y hay cosas que simplemente se acumulan frente al almacén porque la gente no puede traer las cajas, etc.
El problema es, digamos que estás pasando órdenes de compra a proveedores en el extranjero. No controlas exactamente las fechas de entrega. Sabes que, si organizas las cosas, en promedio, deberías ceñirte a tus restricciones. Pero aun así, puedes tener mala suerte y sucede que un pedido se retrasa, otro llega un poco más rápido, y de repente, ¡bam!, terminas con un lunes en el que recibes 2,000 unidades en el mismo día. Pero esos pedidos se hicieron con aproximadamente un mes de antelación.
Así que, aquí ves que se trata de una situación en la que, por cada decisión que tomas, existe la probabilidad de que termines en una situación no factible. No está totalmente bajo tu control. De nuevo, es el tipo de cosas donde tener conceptos equivocados es muy peligroso, ya que cuando analizas la situación con conceptos anticuados o demasiado rígidos o inapropiados, el problema es que ni siquiera puedes entrar en el ánimo intelectual que te permita apreciar lo que la mejor herramienta realmente te aportará.
Así que te quedas con “factible, no factible.” Bueno, una vez que entiendes que, en realidad, la factibilidad no depende enteramente de ti —obviamente hay cosas que colisionarán—, si ordenas a proveedores de la misma zona, el mismo día, la misma cantidad, con los mismos puertos, etc., la probabilidad de que todo llegue a tu puerta el mismo día es bastante alta. Por ello, deberías distribuirlo, pero incluso allí tienes cierto riesgo.
Y esto ocurre en muchos, muchos escenarios. Y ese es un ejemplo. Aquí vemos que lo que se da por sentado, la factibilidad, una solución factible o una solución no factible, no es exactamente así. Es decir, el concepto está un poco desviado.
Otra forma sería nivel de servicio. La gente pensaría en términos de nivel de servicio, sí, pero ¿es realmente lo que las personas perciben? Ahí es típicamente donde me involucro en la discusión sobre la calidad del servicio. Y la calidad del servicio puede incluir la posibilidad de canibalización sustituta o incluso la disposición de las personas a posponer. Y de repente, terminamos con algo muy diferente.
Y cuando te enfrentas directamente al problema con los conceptos que tenías de este mundo donde no existe la incertidumbre, donde tu optimizador siempre es clásico, es decir, no estocástico, entonces, en mi opinión, lo más probable es que el camino que propones resulte incomprensible. Por eso, típicamente, animo a mis propios prospectos a que simplemente se detengan, realicen un ejercicio informativo y comiencen a ver el mundo a través de diferentes lentes, tomándose el tiempo para considerar esas cosas con una especie de intuición antes de lanzarse a las tecnicidades, que pueden ser muy distractoras porque son algo técnicas, además es software, además es un poco de matemáticas, etc., etc. Y eso puede ser una distracción enorme, especialmente si tienes, por ejemplo, vendedores competidores que arrojan toneladas de tonterías a la mezcla, como: “Oh, ¿quieres hacer todo eso? Sabes qué, tengo la respuesta para ti, LLMs. Y sabes qué, tenías esta incertidumbre, pero nosotros tenemos LLMs, Large Language Models. Esos forecasts, no vas a creer lo buenos que serán. Y la optimización con LLMs, es tan buena.”
¿Lo es? Obviamente, cuando la gente piensa, “Bueno, yo solo…” Sí, quiero decir, porque al menos en Lokad, cuando hablamos con los prospectos, el problema es que nunca hablamos solos con el prospecto. Hay como media docena de otros vendedores que también están presentando sus propuestas y, con frecuencia, están exponiendo muchas tonterías. Y así, los prospectos se ven simplemente abrumados por todas esas cosas llamativas y aquellas afirmaciones extravagantes.
Conor Doherty: Bueno, se me ocurre que ambos básicamente acaban de esbozar uno de los problemas clave para lograr que la gente se sume a la optimización estocástica y a cualquier otro tipo de tecnología de caja negra. Podría tratarse de forecast probabilístico o cualquier cosa que involucre matemáticas, en esencia, que existe una barrera de entrada hasta cierto grado. Y así, Meinolf, para volver a ti, en tu experiencia, ¿cómo intentas, dado que eres muy bueno enseñando, hacer que la gente se sienta cómoda adoptando el tipo de incertidumbre del que hemos hablado durante una hora?
Meinolf Sellman: Puede que exista una desconexión cognitiva ahora mismo con la audiencia, en la que dicen: “Bueno, nos dijiste que las aerolíneas están perdiéndolo todo el día de operación, pero por alguna razón, han sido adoptantes de esta tecnología durante décadas. ¿Por qué demonios no están usando lo que Lokad e InsideOpt están comentando?” Y la razón es exactamente a lo que aludes.
Si quisieras hacer optimización estocástica para algo como una aerolínea, estarías aumentando el tamaño del problema hasta un punto en que simplemente no podrías resolverlo. La gente que trabaja en la industria aérea y realiza optimización para ella es muy astuta y sabe, por supuesto, sobre la optimización estocástica y la tradicional, pero siempre se basó en MIP.
No quiero ponerme demasiado técnico aquí, pero, esencialmente, cuando buscas algo, hay dos formas de hacerlo. Una es decir: “Oh, encontré algo que ya es bueno. Veamos si puedo mejorarlo.” Y la otra es decir: “Nunca voy a encontrar algo por aquí.” MIP funciona diciendo: “Oh, no tengo que buscar por aquí. No puede estar aquí,” y luego busca en otro lugar.
Ahora, si tu espacio de búsqueda es vasto, y si todo ese mecanismo que te dice “no tienes que buscar por aquí” no funciona muy bien —es como: “sí, no parece, pero tampoco puedo descartarlo por completo”—, entonces sigues buscando en todas partes, y se vuelve mucho más efectivo ir a buscar donde ya parece prometedor, digamos así.
Entonces, si intentas hacer optimización estocástica con programación entera mixta, que funciona de este modo en que dices: “Oh, sé que no puede haber nada allí,” tus llamados límites duales nunca serán lo suficientemente buenos para reducir la base de búsqueda a un punto en que realmente puedas permitirte continuar la búsqueda. Y es ahí donde la gente se ha quedado estancada durante 20-25 años.
Y ahora, existe esta nueva forma de hacer las cosas, que es esencialmente una búsqueda basada en IA, que dice: “Mira, no me importa si voy a obtener algún tipo de cota de calidad para la solución que voy a tener, pero en cambio, te aseguro que voy a dedicar todo mi tiempo a tratar de encontrar la mejor solución que sea posible en el tiempo que tengo para hacer el trabajo.” Es muy pragmática y práctica, y que ahora existe.
En ese marco, de repente también te liberas de todas las otras ataduras con las que antes tenías que lidiar, como tener que linealizar y binarizar todo. Todas esas cosas han desaparecido. Puedes realizar optimización no diferenciable y no convexa con una herramienta como InsideOpt Seeker, y modelar estos problemas ya no es tanto un problema.
Hay un par de otros beneficios que en realidad obtienes de ello, que es la paralelización de la programación entera mixta. Este enfoque de branch and bound es muy difícil de realizar. Las aceleraciones que obtienes son limitadas. Tienes suerte si logras una aceleración de cinco veces en una máquina razonablemente grande. Esta búsqueda basada en IA realmente se beneficia de asignar de 40 a 100 núcleos a un problema.
Y así, concuerda también con el desarrollo del hardware, que esta podría ser en realidad la mejor tecnología para usar. Pero la conclusión es que, al utilizar una forma diferente de buscar en estos vastos espacios, permites a los usuarios modelar el sistema real de manera mucho más cómoda en lugar de utilizar alguna aproximación burda del mismo.
Y al mismo tiempo, manejar aspectos como la optimización multiobjetivo. Rara vez es solo un KPI lo que importa, son varios. Manejar cosas como, “Oh, mayormente quiero que se respete esta regla aquí, pero está bien si de vez en cuando se desobedece.” Así que, está bien si existe un escenario en el que esa visibilidad no se cumple. Puedes modelarlo muy fácilmente.
Y, por supuesto, puedes realizar optimización estocástica, no solo en el sentido de que estás optimizando los retornos esperados, sino que incluso puedes optimizar activamente, restringir, minimizar el riesgo que conllevan tus soluciones. Y ese es el cambio de paradigma. Esto es lo que, en mi opinión, impulsa a Lokad e InsideOpt, para decir: “Oye, mira, hay un paradigma completamente nuevo que podemos seguir, el cual nos permite hacer todas estas cosas que simplemente eran inauditas durante las últimas tres décadas.”
Conor Doherty: Joannes, misma pregunta.
Joannes Vermorel: Gracias. Sí, y también me gustaría señalar, que a principios de los años 2000, cuando comencé mi doctorado, el cual nunca terminé, lo interesante es que la creencia tanto de la comunidad de machine learning como de la comunidad de optimización sobre los problemas fundamentales de la optimización resultó ser completamente errónea.
Cuando estaba en mi doctorado, se creía en la maldición de la dimensionalidad. Si tienes un problema de altísima dimensionalidad, no puedes optimizar. Y ahora, con modelos de deep learning, estamos tratando con modelos que tienen miles de millones o incluso billones de parámetros. Así que, aparentemente, sí, podemos optimizar problemas, sin problema.
Después, pensaban que, si no es convexo, no se puede hacer nada. Resulta que no, en realidad se puede hacer muchas cosas incluso si no es convexo. E, de hecho, no tenemos ninguna prueba, pero si tienes algo que es, según otros criterios, bastante bueno y útil, realmente no importa que no puedas probar que es óptimo, siempre y cuando tengas otras maneras de razonar sobre la solución y puedas decir, bueno, no puedo razonar sobre la optimalidad, pero aún puedo afirmar que es una solución excelente aunque no tenga la prueba matemática.
Y hubo como toda una serie de cosas en las que también la idea de que, durante mucho tiempo, la única manera en que, al observar la optimización estocástica, la gente decía, “Oh, eso era a lo que te referías sobre aumentar la dimensión. Es decir, entonces vas a explicar mil escenarios y escribir esos mil escenarios como si fueran una sola situación que quieres optimizar a la vez.”
Es simplemente expansión macro. Simplemente tomas tu problema, lo expandes macro a mil instancias, y eso te da un problema que es mil veces mayor. Y luego dices, “Bueno, ahora vuelvo al punto de partida. En realidad, puedo simplemente optimizar eso.” Pero al hacer eso, ya tenías, con los antiguos paradigmas de branch and bound, una escalabilidad terrible.
Así que, si tu primer paso es expandir macro tu problema por un factor de 1,000, va a ser absolutamente dramáticamente lento. Y lo que sorprendió, creo, por ejemplo, tanto a la comunidad de deep learning fue la increíble eficiencia del descenso de gradiente estocástico, donde simplemente puedes observar situaciones y ajustar un poco los parámetros cada vez que observas algo.
Y hubo muchas ideas. Y lo interesante que he observado durante las últimas dos décadas es que el machine learning y la optimización han progresado de la mano, en gran parte destruyendo creencias previas. Ese fue un proceso muy interesante.
La mayoría de los avances en deep learning surgieron a través de mejores herramientas de optimización, mejor uso del álgebra lineal y GPUs, tipos especiales de hardware de computadora, y optimización matemática. Cada vez más se utilizan elementos de técnicas de machine learning en las que no quieres buscar de manera aleatoria.
Hay lugares en los que dices, “Bueno, estas cosas aquí, no puedo probar nada, pero se ven súper malas.” Así que, y se ven simplemente mal, todo este entorno es como súper basura, por lo que necesito buscar en otro lugar. Y también, otras consideraciones, como, “Ya he pasado mucho tiempo buscando en esta área, así que tal vez, incluso si en general es una buena área, ya he invertido tanto tiempo allí, que quizá debería mirar en otro sitio.”
Y ese es el tipo de técnica de optimización, pero que es muy, diría yo, orientada al machine learning en su forma de pensar. Y mi opinión es que tal vez dentro de 20 años, incluso podría haber un dominio que se haya fusionado, que sea como la optimización de machine learning, y en el que realmente no se diferencie uno del otro.
Es una de las cosas que tuve en mi radar durante dos décadas, y cada año que pasa, veo esta convergencia gradual. Y es muy intrigante porque siento que aún faltan conceptos.
Meinolf Sellman: Sí, y me centraré en una cosa que dijiste ahí. El machine learning es increíble cuando tienes juegos repetidos. Es como contar cartas en el blackjack. No puedes garantizar que vas a ganar, siempre existe la posibilidad de que el forecast esté equivocado, pero si juegas ese juego repetidamente, de repente tienes una gran ventaja.
Y esa es la razón por la que dije antes, “Mira, rastrea tus resultados operativos, tu beneficio, tu coste, o lo que sea que estés haciendo durante algún período de tiempo.” Porque en cualquier día, la solución que ejecutaste puede equivocarse. Es un poco como cuando alguien dice, “Oh, voy a lanzar este dado, y si sale un cuatro, entonces pierdes y tienes que pagarme un dólar para jugar. Pero si sale cualquier cosa menos un cuatro, te voy a dar un millón de dólares.” Y luego le das el dólar y lanzas el dado y sale un cuatro. Fue la decisión correcta hacer eso, ¿no? Porque si juegas ese juego repetidamente con esa estrategia de aceptar ese juego dado que el expected value es, por supuesto, tan alto y la pérdida, de alguna manera, es muy soportable, de repente obtienes una ventaja real. Y ese es, en cierto modo, el nombre del juego cuando usas machine learning en optimización. Este es exactamente el paradigma de búsqueda basada en IA. Lo llamamos búsqueda hiperreactiva. No sé cómo lo llaman ustedes en Lokad, pero es exactamente esta idea, ¿verdad?
¿Puedo, para tus problemas, decir que esto es en cierto modo lo que impulsa a InsideOpt Seeker. Esto es lo que el solver hará por ti una vez que sepas cuál es tu modelo y qué problemas estás resolviendo. Y ahora, cada día, tienes estos problemas operativos que necesitas decidir. ¿Qué voy a asar dónde hoy? ¿Cuánto inventario voy a reubicar hoy y a dónde? Y tienes esas instancias que debes realizar a lo largo de muchas semanas y días de producción.
Entonces, vas y le preguntas al solver, “Oye, ya sabes, mira tus estrategias sobre cómo estás realmente buscando en este espacio. ¿Podrías haber encontrado mejores soluciones si hubieras buscado de manera diferente?” Y luego examinará exactamente características en tiempo de ejecución como la que mencionaste, Joannes, como, “Oh, ¿cuánto tiempo ha pasado desde que estuve buscando en otro lugar?” Así que parece que he buscado a fondo toda esta idea aquí. Veamos si puedo hacer algo distinto.
Y otras similares, ¿verdad? Y esas características en tiempo de ejecución luego influyen en otras decisiones, como cuántas cosas estoy dispuesto a alterar al mismo tiempo, ¿no? ¿Debería realmente hacer una investigación? Así que, si es muy reciente que llegué a algún espacio de búsqueda, podría ser una muy, muy buena idea ser muy codicioso, como para decir, “Oye, cualquier movimiento que mejore, lo voy a tomar de inmediato para encontrar una buena solución en ese espacio.”
Pero luego, después de un tiempo, has estado allí un rato, y entonces dices, “Bueno, necesito ampliar un poco mi horizonte aquí porque en realidad podría estar atascado en algo que es solo localmente óptimo, pero globalmente podría haber configurado otras variables mucho mejor para que, en conjunto, hubiera podido hacer algo mejor aquí.” Y ese es, en cierto modo, el cambio de paradigma en este momento, ¿verdad? Así que se aleja de todo ese pensamiento de, “¿Puedes detectar rápidamente que no hay nada aquí?” a “¿Puedo aprender a buscar mejor?” Y esa es la revolución.
Joannes Vermorel: Para sumarme a la búsqueda basada en IA. Sí, absolutamente. Y especialmente con el tipo de problema que Lokad está resolviendo para nuestros clientes, la mayoría de lossupply chain pueden abordarse de manera extensa de forma codiciosa, no del todo, pero de manera extensa. Y existen algunas razones de tipo darwiniano para ello. Si tuvieras situaciones de supply chain que fueran realmente, diría yo, antitéticas a un enfoque codicioso, ya han sido depuradas, eliminadas ya que las empresas no tenían el lujo de contar con herramientas de optimización súper sofisticadas.
Así que lo necesitaban, y muy frecuentemente eso era literalmente una consideración de diseño, que es, “¿Puedo configurar mi supply chain y mis procesos de manera que pueda moverme direccionalmente en la dirección correcta y aún estar bien?” Así que ese era, típicamente, el principio rector a nivel de diseño. Y luego, de hecho, cuando te adentras en los detalles, te das cuenta de que sí, quiero decir, puedes quedar atrapado en algunos lugares malos incluso si direccionalmente sigues estando bien.
Así que, típicamente, sí, Lokad se basaría extensamente en la perspectiva codiciosa, llegando incluso a utilizar gradientes cuando los tengas. Y luego, de hecho, hacer lo local una vez que estés en la fase final donde quieras hacer los microajustes y tal vez obtener un poco más de resiliencia. Así que, si puedes realizar algún ajuste que no te cueste mucho pero que pueda brindarte mucha más holgura en las operaciones, eso sería solo para hacerlo más concreto para la audiencia.
Digamos, por ejemplo, que operas un almacén. Piensas que hay como una probabilidad del 0.1% de quedarte sin cartón para embalaje para enviar tus cosas. Puede parecer un evento de baja probabilidad, pero, por otro lado, resulta muy tonto que, de vez en cuando, se cierre el almacén solo porque te falta cartón que es super barato. Así que dirías, “Bien, es tan poco que sí, tengamos un par de meses de cartones extra.”
Porque, al estar plegados, ocupan casi nada de espacio y son super baratos. Así que ese es el tipo de cosas en el que un poco de optimización extra diría, la gente diría, “Oh, tenemos un lead time de tres días para esos cartones. Ya tenemos un mes en stock.” La gente diría, “Oh, es suficiente. No lo hacemos.” Y luego haces la simulación y dices, “¿Sabes qué? Aún tienes ese riesgo del 0.1%. Es bastante tonto. Deberías tener como tres meses.”
Y dices, “Está bien, es muy barato, pero parece realmente mucho.” Pero dices, “Bueno, es super barato. No ocupa tanto espacio. ¿Y por qué arriesgarlo?” Ya sabes, ese es el tipo de cosas que son un poco contraintuitivas donde te darías cuenta de que, sí, esta cosa sucede solo una vez cada pocos años. Pero luego tienes muchas cosas que ocurren una vez cada pocos años.
Y ahí es donde tener una buena optimización que te permita cubrir esas cosas que son tan infrecuentes que, para la mente humana, parece que ocurrió en otra vida. Quiero decir, las personas rotan. Rara vez se quedan dos décadas en el mismo trabajo. Así que probablemente algo que sucede una vez cada tres años, el gerente del almacén nunca lo ha visto. Los equipos, la mayoría de la gente ni siquiera recuerda haber visto eso.
Así que hay un límite a lo que puedes percibir cuando está por debajo del umbral de percepción porque es demasiado infrecuente. Y, sin embargo, es extremo. Hay tantas cosas diferentes que, cuando las juntas, te das cuenta de que no, quiero decir, es 0.1% más otra cosa que es 0 más otra cosa. Y sumas docenas y docenas y docenas, y al final del día, terminas con algo en lo que, cada mes, hay uno de esos problemas que podrían haberse prevenido si realmente hubieras tenido en cuenta el riesgo.
Pero es un poco contraintuitivo porque implica gastar un poco más en todo tipo de áreas. ¿Por qué lo extra? Bueno, lo extra es porque, en efecto, aunque infrecuente, casi seguramente te meterás en problemas si no lo haces.
Meinolf Sellman: Sí, y esa es en realidad la trampa en la que caes cuando en realidad tienes una solución óptima demostrable. Suena como, “Bien, mira, ya sabes, esta es mi solución óptima demostrable, y tengo buenos forecast.” Pero ahora, si los forecast están ligeramente desfasados, esa solución óptima demostrable, porque exprimió hasta el último centavo de la solución, es extremadamente frágil. Y a la derecha e izquierda de ese forecast, el rendimiento cae y es abismal.
Y quieres una tecnología que te permita decir, “Mira, sí, tu beneficio esperado es 80 centavos menos, pero ahora tu riesgo de tener que cerrar el almacén se reduce en un 75%. Buen trato, ¿verdad?” Es un buen trato para hacer. Y estos son exactamente el tipo de intercambios que deseas que la tecnología encuentre por ti, porque es muy, muy difícil para ti decir, “Bien, mira, ya sabes, déjame restringir uno y optimizar el otro,” ya que luego te topas con otra trade-off trampa.
Quieres poder decir: “Mira, tengo todas estas preocupaciones. Trata de encontrar un buen compromiso. Encuéntrame el seguro más barato contra un evento tal y cual.” Y eso es, ya sabes, quizás cierra el ciclo de cómo empezamos acerca de lo difícil que puede ser comprender la toma de decisiones y la incertidumbre.
Pero esto es, en esencia, lo que es. La idea errónea es que si tuvieras una solución que es óptima para un futuro predicho, probablemente también funcione razonablemente bien para futuros que son solo ligeras derivaciones de ese. Y eso simplemente no es cierto. Necesitas buscar activamente un gran plan operativo de compromiso que funcione contra una gran masa de probabilidad de futuros que realmente pueden ocurrir. Y lo quieres de tal manera que efectivamente compense tu riesgo y tus retornos esperados de una forma razonable.
Conor Doherty: Corrígeme si me equivoco, pero el objetivo final entonces de la optimización estocástica sería encontrar, supongo, el compromiso óptimo o la decisión óptima que equilibre todas las restricciones y todos los compromisos que tienes que hacer. Y esa no es la decisión perfecta, sino que sería el mejor compromiso para satisfacer todas las decisiones o todos los problemas separados, ¿verdad?
Meinolf Sellman: Correcto. Podríamos hacerlo matemáticamente, pero no quiero llevar a la gente por ese camino. El punto es este: si hubieras sabido exactamente lo que iba a suceder, la mayoría de las veces habría una solución mejor que podrías haber implementado. Pero, a falta de conocer el futuro perfectamente, y me refiero a perfectamente, no solo, ya sabes, al 99.9% de perfección, en ausencia de eso, necesitas aplicar un compromiso que sea esencialmente bueno en todos los aspectos para todas las diferentes cosas que podrían suceder.
Y eso es exactamente lo que la optimización estocástica hace por ti. Y de ese modo, elimina la fragilidad. Podríamos decir que es optimización robusta, pero ese es un término técnico propio, así que en realidad no podemos usarlo. Pero eso es lo que se quiere decir, ¿verdad? Quieres eliminar la fragilidad, quieres eliminar la vulnerabilidad en tus operaciones. Tener resultados muy fiables, continuos y repetidos. Eso es lo que la optimización estocástica te dará. Y al mismo tiempo, tus beneficios esperados subirán más allá de lo que pensabas que era posible.
Porque si solo te guías por el rendimiento de la validación cruzada y luego por la optimalidad demostrable, estás completamente perdiendo el punto. Lo que crees que es el costo de no conocer el futuro perfectamente, es el costo de asumir en la optimización, es el costo de asumir que conocías el futuro perfectamente. Esto es lo que lo hace frágil, pues estás asumiendo que ese forecast era correcto al 100%. Y así es como funciona la tecnología de optimización tradicional, y necesitas descartarla y empezar a trabajar con tecnología moderna para cosechar ese 20%, fácilmente un 20% en costos operativos que puedes reducir en tus operaciones.
Conor Doherty: Bueno, gracias. Creo que estamos cerrando. Joannes, te daré un último comentario y luego se lo paso a Meinolf para concluir. ¿Algo que quieras añadir?
Joannes Vermorel: Quiero decir, sí, lo intrigante es que el mejor supply chain, o lo que parece serlo, y las mejores decisiones ajustadas al riesgo son aquellas en las que la empresa sigue funcionando suavemente, ya sabes, donde no hay, diría yo, una decisión absolutamente crítica y desastrosa que se toma y que simplemente lo arruina todo.
Y ahí es donde la gente esperaría, ya sabes, que el plan supply chain más brillante de todos sea identificar ese producto que ha sido completamente ignorado por el mercado y decir: ya sabes qué, tenemos que apostar todo por ese producto que era súper niche y ¡bam!, vender un millón de unidades mientras nadie prestaba atención. Yo digo que esto es magia. No, quiero decir, quizá existen emprendedores al estilo de Steve Jobs que pueden hacer eso, pero es casi imposible.
Así que la idea de que puedes aprovechar el futuro, identificar la pepita de oro, la oportunidad similar al bitcoin, y apostar todo por ello para hacer una fortuna, es muy ridícula. Lo que parece, diría yo, es que la excelente gestión del supply chain es aquella en la que funciona suavemente. Tienes decisiones conscientes del riesgo de manera que, cuando es malo, en realidad es moderadamente malo. Cuando es bueno, la mayoría de las veces es muy bueno, de modo que es sólidamente rentable. Cuando es malo, es algo limitado y no es horrible.
Y cuando revisas una decisión, ya sabes, vuelves en el tiempo y la miras, sí, si lo hubiera sabido, lo habría hecho de otra manera. Pero si hago el ejercicio honesto de tratar de volver a encajar en las cosas que sabía en ese momento, dices que, sí, en su momento fue una toma razonable. Y no confundas, no dejes que la retrospectiva contamine tu juicio al respecto, porque es muy malo.
Y yo sabía, por ejemplo, que algunos de nuestros clientes, ya no lo hacen, pero en la industria aeroespacial, por ejemplo, después de cada incidente AOG (aircraft on ground), es decir, cuando falta una pieza y el avión no puede volar, hacían toda una investigación postmortem. Pero la realidad era que, cuando tienes como 300,000 SKUs que necesitas mantener en stock para que los aviones vuelen todo el tiempo, es decir, tener piezas con faltante de stock, especialmente cuando algunas piezas cuestan medio millón de dólares o más por unidad, está más o menos bien no tenerlas siempre disponibles de inmediato.
Entonces, lo que investigamos fue que, por ejemplo, para estos AOG, estaban exactamente según lo esperado de acuerdo con la estructura de riesgo de sus stocks. Así que no tenía sentido realizar ningún tipo de investigación. Y ese sería mi pensamiento final, que probablemente el argumento de venta más difícil para la optimización estocástica es que es bastante poco impresionante. Ya sabes, es simplemente algo que, ya sabes, funciona suavemente. Los problemas son mucho menos graves, los éxitos son ligeramente menos extremos pero mucho más frecuentes.
Pero, de nuevo, ¿qué recuerdas? ¿Recuerdas a un equipo de fútbol que gana consistentemente, entre el 60-70% de sus partidos durante los últimos 30 años? ¿O recuerdas a este equipo que sigue perdiendo todos los partidos, pero de repente, gana 10 partidos consecutivos contra los equipos más prestigiosos? Así que, obviamente, recordarías esta racha absolutamente extrema de éxitos y dirías, oh, esto fue increíble. Y olvidarías por completo ese historial aburrido en el que, en promedio, es excelente, pero es solo el promedio, así que no lo recuerdas.
Ya ves, esa es mi vibra. Y creo que es parte de aceptar que lo que obtendrás de la optimización estocástica son decisiones suaves y poco impresionantes que resultan ser bastante buenas en promedio. Cuando son malas, son un poco malas, nada, ya sabes, no vas a perder la camisa. Es decir, se lleva a cabo un gran control de daños.
Y así, quiero decir, lo curioso es que en Lokad, cuando hablamos con nuestros clientes, muy frecuentemente, después de estar en producción durante algunos años, en realidad tienen poco que decir. Ya sabes, el peor, quiero decir, no el peor, sino el mejor tipo de cumplido es: ya sabes qué, eres tan sin sobresaltos que estamos en cierta forma depriorizando el supply chain en nuestra lista de preocupaciones. Es como tener acceso al agua corriente, ya sabes, es tan sin sobresaltos que no tienes que prestarle mucha atención, simplemente funciona. Y eso está bien, ya sabes, no somos tan buenos, obviamente, los supply chains no son tan monótonos como el suministro de agua, aún no, pero existe ese tipo de sensación.
Conor Doherty: Bueno, gracias Joannes. Meinolf, como es habitual, le damos la palabra de cierre al invitado. Así que, el micrófono es tuyo, y luego cerraremos, por favor.
Meinolf Sellman: Sí, bueno, gracias de nuevo por invitarme, Conor y Joannes. Solo dos segundos sobre lo que decía Joannes, frecuentemente encontramos que nuestros equipos operativos se sorprenden y sus clientes no se sorprenden. Y eso es exactamente lo que se quiere. Los equipos operativos se sorprenden de que, de repente, las cosas puedan funcionar tan suavemente, cuando antes siempre, ya sabes, una vez a la semana tenías un día infernal, y de repente, pasan dos meses y dices: esto simplemente funciona y ya sabes, sin locuras, sin demencia, nada.
Pero lo más importante es que sus clientes ya no se sorprenden porque de repente se quedan sin un servicio o algo así. Y para eso está tu negocio, y por eso deberías usar este tipo de tecnología para gestionar tus operaciones, porque no quieres sorprender negativamente a tus clientes. Y entonces puedes tomar una margarita muy aburrida en una bonita isla y disfrutar de tus retornos promedio que vienen con una varianza muy baja.
Conor Doherty: Bueno, caballeros, no tengo más preguntas. Joannes, muchas gracias por tu tiempo. Meinolf, un placer absoluto, y gracias por acompañarnos. Y gracias a todos por vernos. Esperamos verlos la próxima vez.