Toma de decisiones bajo incertidumbre en la cadena de suministro (con el Dr. Meinolf Sellmann) - Ep 162

00:00:00 Introducción de la entrevista
00:00:42 Carrera de Meinolf Sellman y toma de decisiones de InsideOpt
00:03:47 Disrupciones y sobreoptimismo en la optimización
00:06:18 Descubrimiento e influencias de la optimización estocástica de Vermorel
00:08:10 Cumplimiento del comercio electrónico y pronóstico de la cadena de suministro
00:09:56 Enfoque de "predecir y luego optimizar" y sus consecuencias
00:11:41 Mejora de los resultados operativos y costos empresariales
00:14:08 Imprevisibilidad y caos en la cadena de suministro
00:16:16 Atractivo de la previsión y toma de decisiones racionales
00:18:43 Toma de decisiones racionales y juego de sobreventa
00:21:55 Ejemplo de producto de supermercado y disponibilidad de suministro
00:24:27 Optimización estocástica y variabilidad de las ventas estacionales
00:28:53 Impacto de los cambios de precios y distribución posterior conjunta
00:30:39 Heurísticas para resolver problemas y abordar la complejidad
00:33:10 Desafíos con productos perecederos y distribución posterior
00:36:01 Dificultades de razonamiento y creación de conciencia de solución
00:38:40 Problema de la tostadora de café y planificación de la producción
00:42:20 Modelización empresarial y realidad de variables complejas
00:45:34 Preocupaciones ignoradas en la optimización y búsqueda de soluciones milagrosas
00:49:00 Consejos del CEO y comprensión de los procesos empresariales
00:51:58 Capacidad del almacén e incertidumbre en la entrega del proveedor
00:54:38 Percepción del nivel de servicio y ejercicio de briefing
00:57:33 Pérdidas financieras de las aerolíneas y adopción de tecnología
01:00:10 Beneficios de la búsqueda basada en IA y compatibilidad de hardware
01:03:05 Convexidad en la optimización y utilidad sobre la prueba
01:06:06 Convergencia del aprendizaje automático con técnicas de optimización
01:09:34 Características de tiempo de ejecución y ampliación del horizonte de búsqueda
01:12:22 Microajustes y riesgos operativos del almacén
01:16:09 Encontrar un buen compromiso y seguro contra la incertidumbre
01:19:11 Aumento esperado de las ganancias 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 de la cadena de suministro
01:26:22 Retroalimentación del cliente e importancia de la tecnología
01:26:56 Fin de la entrevista

Sobre el invitado

El Dr. Meinolf Sellmann es fundador y CTO de InsideOpt, una startup con sede en Estados Unidos que produce software de propósito general para automatizar la toma de decisiones bajo incertidumbre. Anteriormente, fue Director de Optimización de Red en Shopify, Director de Laboratorios de Aprendizaje Automático y Representación del Conocimiento en el Centro de Investigación Global de General Electric, Gerente Senior de Computación Cognitiva en IBM Research y Profesor Asistente de Ciencias de la Computación en la Universidad de Brown. Meinolf ha diseñado 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 de LokadTV, Conor Doherty, Joannes Vermorel e invitado Meinolf Sellmann discutieron el papel de la optimización estocástica en la gestión de la cadena de suministro. Destacaron la importancia de considerar la variabilidad e incertidumbre en los procesos de toma de decisiones. Los métodos deterministas tradicionales a menudo se quedan cortos en escenarios del mundo real, lo que lleva a planes de optimización demasiado optimistas. Tanto Vermorel como Sellmann criticaron el enfoque de “predecir y luego optimizar”, sugiriendo que las empresas pueden obtener mejores resultados al tener en cuenta la variabilidad de los pronósticos durante la optimización. Enfatizaron la necesidad de planes ejecutables y efectividad medible en cualquier modelo de optimización.

Resumen Extendido

En una entrevista reciente conducida por Conor Doherty, Jefe de Comunicación de 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 la gestión de la cadena de suministro. 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 la cadena de suministro.

El Dr. Sellmann, un galardonado científico de la computación e investigador de IA, comenzó compartiendo su trayectoria profesional a través de IBM, GE, Shopify y ahora InsideOpt. Destacó cómo el aprendizaje automático se ha convertido cada vez más en parte de su trabajo y cómo los métodos de optimización tradicionales, que son deterministas, a menudo se quedan cortos en escenarios del mundo real. Él enfatizó que la toma de decisiones bajo incertidumbre es un aspecto necesario de la gestión de la cadena de suministro, y esto es lo que se enfoca en InsideOpt.

Utilizando la industria de las aerolíneas como ejemplo, el Dr. Sellmann ilustró los desafíos de la optimización bajo incertidumbre. Explicó que aunque los planes de optimización pueden verse geniales en papel, a menudo fallan en la práctica debido a circunstancias imprevistas. Esto lleva a la realización de que la optimización sufre de exceso de optimismo.

Vermorel estuvo de acuerdo con la perspectiva del Dr. Sellmann, compartiendo su propia experiencia al descubrir el concepto de optimización estocástica. Señaló cómo la idea de la incertidumbre a menudo está ausente en la literatura tradicional de optimización. Vermorel también discutió la idea de dominar el futuro para eliminar la incertidumbre, un concepto que ha sido atractivo durante casi un siglo. Mencionó el intento de la Unión Soviética de pronosticar y fijar precios para 30 millones de productos cinco años antes, lo cual fue un fracaso. A pesar de esto, la idea sigue siendo atractiva para académicos y ciertos tipos de gestión debido a su enfoque de arriba hacia abajo.

El Dr. Sellmann criticó el enfoque tradicional de “predecir y luego optimizar”, donde un departamento hace un pronóstico y otro utiliza ese pronóstico para la optimización. Argumentó que este enfoque ignora la variabilidad en el pronóstico y sugirió que las empresas pueden lograr resultados operativos significativamente mejores al tener en cuenta la variabilidad en el pronóstico durante la optimización.

Vermorel utilizó el ejemplo de la sobreventa de boletos de avión para ilustrar la no linealidad de ciertos problemas, donde pequeñas desviaciones pueden convertirse rápidamente en problemas significativos. El Dr. Sellmann utilizó el ejemplo de un supermercado que vende mantequilla y kits de protector solar para ilustrar la importancia de la variabilidad en la demanda. Argumentó que es crucial tener todo el suministro 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 la cadena de suministro, la importancia de pronosticar escenarios potenciales para todos los productos y las complejidades de la planificación de la producción. El Dr. Sellmann explicó que si bien la precisión perfecta sería ideal, no es posible debido a las incertidumbres inherentes en el pronóstico. En su lugar, lo mejor es aprender cómo se equivocan los pronósticos y utilizar esa información para tomar mejores decisiones.

En conclusión, la entrevista destacó la importancia de la optimización estocástica en la gestión de la cadena de suministro. Tanto el Dr. Sellmann como Vermorel enfatizaron la necesidad de tener en cuenta la variabilidad y la incertidumbre en los pronósticos al tomar decisiones, y la importancia de no simplificar demasiado los modelos. Sugirieron que cualquier modelo de optimización se puede considerar como una simulación de lo que sucedería bajo ciertas condiciones, y es crucial asegurarse de que el plan sea ejecutable y que su efectividad pueda medirse.

Transcripción completa

Conor Doherty: Bienvenidos de nuevo. La incertidumbre y la estocasticidad son la esencia misma de la cadena de suministro. El invitado de hoy, el Dr. Meinolf Sellman, no es ajeno a esto. Es un galardonado científico de la computación, un destacado investigador de IA y es el CTO de InsideOpt. Hoy, va a hablar con Joannes y conmigo sobre la toma de decisiones bajo incertidumbre. Meinolf, bienvenido a Lokad.

Meinolf Sellman: Muchas gracias, Conor, y un placer conocerlos, Joannes. Espero con interés la discusión.

Conor Doherty: Bueno, muchas gracias por unirte a nosotros. Disculpas por la breve introducción. Me gusta ir directamente al invitado, pero como consecuencia de eso, no hago justicia al trasfondo de la persona con la que estamos hablando. Entonces, ¿podrías, por favor, primero perdonarme y luego completar algunos de los vacíos en cuanto a tu trayectoria?

Meinolf Sellman: Claro. Creo que has cubierto lo esencial. Soy una persona de optimización de corazón. Eso es lo que impulsó mi tesis de diploma. El sistema alemán es muy similar al francés. Mi tesis de diploma consistió en construir un solucionador de programación entera mixta para un sistema de álgebra computacional. Así que, incluso desde mis primeros días de estudiante, he estado en este lado de la toma de decisiones, explorando cómo podemos usar las computadoras para llegar a mejores decisiones.

Fui investigador postdoctoral en Cornell, profesor en Brown, luego gerente senior en IBM, director de tecnología en GE, luego director en Shopify y ahora CTO en InsideOpt. A lo largo de este viaje, puedes ver que cada vez más el aprendizaje automático se ha infiltrado en la mezcla.

La optimización tradicional es determinista. Tienes un conocimiento completo de todo lo que está sucediendo, solo estás tratando de encontrar el mejor curso de acción. En el momento en que realmente te pones en contacto con la práctica, te das cuenta de que no es así. Necesitas incorporar cada vez más tecnología que te permita tomar decisiones en condiciones de incertidumbre, y eso es realmente lo que nos entusiasma aquí en InsideOpt.

Conor Doherty: Gracias. Nuevamente, mencionaste muchos nombres importantes en cuanto a tu trayectoria en IBM, General Electric y Shopify. Sin violar ningún posible acuerdo de confidencialidad, ¿qué detalles o experiencias podrían haber influido más en tu perspectiva sobre la previsión y la toma de decisiones ahora que estás en InsideOpt?

Meinolf Sellman: Mira una industria como la industria de las aerolíneas. Tradicionalmente, se invierte mucho en optimización. Es una de las áreas o industrias que probablemente ha invertido más temprano y también más a lo largo de las décadas en tecnología de optimización. Y luego mira lo divertido que es dirigir una aerolínea. Obtienen planes increíbles, ¿verdad? Obtienen planes de tripulación. Necesitan decidir qué piloto está en qué avión, qué asistente de vuelo está en qué avión, qué aviones usar para qué tramos. También necesitan decidir qué tipo de tramos ofrecer, qué vuelos directos ofrecer y luego cómo convertirlos en rutas, necesitan hacer gestión de ingresos. Para todas estas decisiones, decisiones operativas, están utilizando optimización y en papel, esos planes se ven fantásticos. Por lo general, vienen con garantía de rendimiento, si no con optimalidad demostrable.

Pero luego, si operas una aerolínea, sabes que estás perdiendo dinero el día de la operación porque 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 que pueden salir mal. Y si alguna vez has volado, sabes que el lema de la aerolínea es “Si hoy está arruinado, entonces hoy está arruinado. Asegurémonos de que mañana no esté arruinado”. Y así es como te tratan. No les importa que llegues a donde necesitas ir hoy, quieren estar de vuelta en el plan mañana porque si vienen con una situación difícil mañana, entonces mañana también estará arruinado.

¿Qué te dice eso? Te dice que la optimización sufre de un exceso de optimismo de que todo saldrá según lo planeado. Y eso es lo que queremos cambiar.

Conor Doherty: Gracias. Joannes, ¿coincides con eso?

Joannes Vermorel: Absolutamente. Para mí, fue muy intrigante porque descubrí relativamente tarde la noción misma de optimización estocástica. En mis 20 años, estaba muy familiarizado con la optimización regular, ya sabes, la optimización convexa, leí libros enteros sobre este tipo de cosas. Y así, la optimización clásica que comienza con álgebra lineal y cosas como el algoritmo simplex y demás, esas cosas se enseñan literalmente no en la escuela secundaria, sino justo después.

Y luego, estudié durante algunos años cuando era estudiante, investigación de operaciones, ese es el nombre tradicional dado al tema. Y nuevamente, puedes pasar literalmente cientos de páginas de casos donde tienes fábricas, aviones, todo tipo de asignaciones de activos, máquinas, personas, y demás. Y sin embargo, en ningún momento discuten el elefante en la habitación, que es que las cosas pueden salir mal. Simplemente tienes una modelización de la situación que puede ser incorrecta y luego todo lo que optimizas termina siendo extremadamente frágil.

El momento en que me di cuenta de lo profundo que era el agujero del conejo fue cuando leí el libro “Antifrágil” de Nassim Nicholas Taleb. Eso fue hace bastante tiempo, pero luego me di cuenta de que había un paradigma faltante que era realmente omnipresente. Y luego empecé a interesarme mucho en este tipo de optimización. Para mí, lo más sorprendente es lo ausente que está en cuerpos enteros de literatura que tratan como si esta idea de incertidumbre, de no conocer perfectamente tu función de pérdida, 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 completa que está ausente en un campo de estudio muy grande, muy extenso y muy antiguo.

Conor Doherty: Bueno, en realidad, si puedo profundizar en 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 acercamos a Meinolf. Tu perspectiva sobre lo que podríamos llamar planificación tradicional o políticas de pronóstico e inventario típicamente se ajusta a un enfoque de “pronóstico primero, tomar decisiones después”, que es paradigmáticamente bastante diferente a lo que creo que todos en la sala defenderían. Entonces, primero, te lo lanzo a ti, Meinolf. ¿Podrías esbozar las diferencias allí, el enfoque tradicional y los paradigmas faltantes que tú y Joannes ven?

Meinolf Sellman: Sí, como puedes imaginar, si tienes un sistema de cumplimiento, tienes una tienda de comercio electrónico y necesitas poner en algún lugar de tu almacén 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, digámoslo así. Entonces necesitas hacer un pronóstico o predicción más generalmente. Y hay personas que lo hacen por ti, y típicamente son tu departamento de aprendizaje automático. Estos chicos saben todo sobre, “Oh, hay valores faltantes aquí”. ¿Verdad? Digamos que hubo faltantes de stock en algún momento, lo que significa que realmente no sabes cuánto se habría vendido porque no tenías suficiente. Entonces, en realidad, no sabes cuánto podrías haber vendido si hubieras tenido más. Ellos lidian con valores atípicos, con valores faltantes, con ruido y todo lo que es incierto y está fuera de esto, hacen un pronóstico, una predicción.

Y luego tienes ese segundo departamento, que, como Joannes decía muy acertadamente, estas personas generalmente no lidian con la incertidumbre. Van como, “Oh, gran pronóstico. Vamos a meter eso en mi modelo de optimización como si lo hubiera dado el Oráculo de Delfos o algo así”. Es como si tuvieras un conocimiento perfecto del futuro. Simplemente tratas esos números que tienes allí y dices, “Oh, mi demanda de protector solar la próxima semana es de 20 tubos. Así que vamos a ponerlos en el estante”, sin tener en cuenta ninguna variabilidad que exista.

Este “predecir y luego optimizar”, eso es lo que se llama, se debe en parte al hecho de que tienes dos departamentos diferentes que tienen conjuntos de habilidades muy diferentes. Y sería muy difícil decir, “Oh, los aprendices de máquinas ahora necesitan aprender todo sobre la optimización”, o tal vez los optimizadores necesitan aprender más sobre el aprendizaje automático. Por lo tanto, esto es típicamente de lo que las empresas se alejarían. Esa es una de las razones por las que existe esa separación.

La parte de esto es que si estás pasando la incertidumbre de un departamento a otro, no desaparece. Así que simplemente ignorándola, en realidad estás dejando mucho dinero sobre la mesa. Y esa es la segunda razón por la que las personas no investigan esto más de cerca porque les suena como si los aprendices de máquinas hicieran su trabajo. Vuelven, hacen cosas como después de construir un modelo, prueban su maquinaria a través de algo que se llama, por ejemplo, una validación cruzada. Así que entrarías en datos conocidos y dirías, “Oye, si solo tuviera este fragmento de datos y tuviera que hacer una predicción para la otra parte de los datos, ¿cómo lo habría hecho?” De esta manera, puedes convencerte de que obtendrás muy buenas predicciones del departamento de aprendizaje automático.

Y hacen eso y lo controlas y dices, “Oh, esto es increíble. Tienen buenas predicciones”. Y luego los optimizadores vuelven de todos modos y dirán, “O bien tengo un límite de rendimiento o hey, tengo una solución probablemente óptima aquí”. Entonces, si estás dirigiendo una empresa, no esperarías que haya margen de mejora al hacer que estos departamentos trabajen mejor juntos. Y en realidad, puedes obtener fácilmente resultados operativos un 15%, 20%, 25% mejores si realmente tienes en cuenta la variabilidad en el pronóstico cuando estás haciendo la optimización. Pero la gente no ve eso.

Entonces, en parte, es estructural que este “predecir y optimizar” persista tanto que no quieras mezclar habilidades. La otra parte es que no ves cuánto estás dejando realmente sobre la mesa al mezclar estas cosas más estrechamente. Porque suena como, “Hey, pronóstico impresionante, optimalidad demostrable, genial. El resto es solo el costo de hacer negocios”. Y no lo es. Creo que eso es 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 también creo que hay otra dimensión. La idea de dominar, conquistar el futuro para eliminar por completo la incertidumbre, 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 algo así como 30 millones de productos que tenían que fijar precios y pronosticar cinco años por adelantado. Fue un fracaso total 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 una manera en la que tienes tu pronóstico y eso será la verdad, y luego es solo una cuestión de orquestación. También resuena con ciertos tipos de gestión porque tiene este enfoque muy jerárquico.

Tiene este atractivo de simplicidad. Obviamente, esto es una falacia porque no estás en control. Tus clientes tienen sus propias agendas, pueden decidir otras cosas. Tu proveedor trata de hacer lo mejor, pero a veces su mejor no es muy bueno. Además, tienes shocks. A veces es algo muy dramático como una guerra, a veces es algo muy tonto como un barco que está 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 más difícil razonar al respecto. Razonar sobre el futuro perfecto es simple. Ese sería el tipo de retroalimentación que estábamos recibiendo en los primeros años de Lokad. “Sr. Vermorel, solo danos pronósticos precisos. Mantente en un error del 3% y ya está.” Y obviamente, si hubiéramos podido entregar eso, entonces no habría habido ninguna ventaja real en combinar el pronóstico y la optimización.

Pero aquí estamos, 15 años después. Incluso si Lokad está haciendo muy bien en términos de pronóstico, para la mayoría de las empresas, una inexactitud del 3% es simplemente ridícula. Ni siquiera estamos cerca de eso. Nunca estaremos cerca de eso a 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 donde decían: “Usando nuestro solucionador MIP, esta aerolínea ahora optimizó su plan quinquenal”. Y creo que dejé un comentario que Khrushchev estaría muy orgulloso. Es cierto, tiene mucho atractivo decir: “Puedo pronosticar el futuro, la IA es increíble, y luego lo optimizo y ahora estoy bien”.

Joannes Vermorel: Creo que el atractivo de la ideología es fuerte. Creo que la gente desestimarían eso, “Oh no, soy pro-mercado, no soy comunista”. Pero se pierden lo que hacía que este tipo de ideología fuera tan atractiva. Incluso si entras en el ámbito académico, frecuentemente encontrarás personas que son partidarias de esas visiones. La idea de tener el control de tu futuro es muy atractiva. La idea de poder aplicar desde arriba algún tipo de métodos científicos y racionalizar desde arriba con un gran plan, es completamente racional de arriba a abajo. En papel, parece la gestión moderna. Resulta que en realidad no es una gestión moderna sino más bien una mala gestión moderna, pero puedo sentir el atractivo y la apariencia de racionalidad.

Pero viene con efectos secundarios que son iatrogénicos, cosas que son no intencionales pero que socavan fundamentalmente esos planes. Terminas con decisiones supuestamente óptimas que resultan ser imposiblemente frágiles, donde la más mínima desviación simplemente explota en tu cara de formas bastante sorprendentes.

Meinolf Sellmann: Esta es probablemente la falacia más común. La gente piensa: “Tal vez no pueda predecir el futuro perfectamente, pero incluso si hay pequeñas 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 está presente en la práctica. Es por eso que, aunque suene tan racional hacer una predicción y luego basar una decisión en ella, en realidad es lo más irracional que puedes 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 dentro de Opt, es tener en cuenta la variabilidad que debes esperar en tu pronóstico cuando estás tomando tus decisiones.

Joannes Vermorel: Sí, y solo un ejemplo para la audiencia. Si quieres jugar al juego de la sobreventa 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 la aeronave. Pero el problema es que en algún momento te quedas realmente sin asientos. Solo tenías 200 asientos, vendiste 220 pensando que habría 20 personas que no se presentarían, pero en realidad se presentaron 205 personas. Entonces tienes como cinco personas que no importa cómo lo hagas, no cabrán en la aeronave. Sí, puedes darles una compensación y jugar todo tipo de juegos, pero al final del día, tienes cinco personas que tendrán una calidad de servicio terrible para el vuelo que compraron de ti.

Entonces es algo muy no lineal donde los primeros asientos, sí, puedes sobreventa la aeronave, pero luego hay un límite y alcanzar el límite es brutal, especialmente para esas personas si tenían algo realmente importante que atender. No es absolutamente como un problema suavemente lineal donde es solo un poco más de lo mismo. No, hay como un punto de corte y luego se convierte en un problema real, muy rápido.

Conor Doherty: Para seguir y luego unir un par de ideas, porque ambos dijeron cosas realmente interesantes que llevan al siguiente punto. Joannes, tu ejemplo de la sobreventa y Meinolf, tu ejemplo de medir la demanda. Como, vendí 20 unidades de crema para la piel el mes pasado. Bueno, lo hiciste, pero te quedaste sin stock, por lo que en realidad no sabes cuál habría sido la demanda.

Cuando piensas racionalmente sobre el problema, naturalmente te lleva a la optimización estocástica, a abrazar esa incertidumbre. No hay una respuesta perfecta, y creo que tienes una frase en tus conferencias de YouTube, algo como “Voy a destrozarlo ahora, porque una buena solución ahora es mejor que la perfecta demasiado tarde” o algo así.

Meinolf Sellmann: Sí, ese es otro punto diferente cuando el tiempo que necesitas para encontrar una buena respuesta juega en la calidad de la respuesta en sí misma. Sí, definitivamente necesitas eso. Pero volviendo a tu punto, ¿por qué importa la variabilidad? Vamos a explicarlo con un ejemplo. Digamos que estás dirigiendo un supermercado en París y tienes diferentes productos que colocas en los estantes. Hay mantequilla y kits de protector solar. Dos productos muy diferentes. Si tienes un pronóstico 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 hacer eso porque la mantequilla tiene una demanda constante y básicamente tu pronóstico siempre está alrededor de su promedio y se desvía un poco a la izquierda y a la derecha. Pero con el protector solar, es más como que ahora el clima es malo, el clima es malo, el clima es malo, y luego llega este fin de semana en el que sale el sol y todos se preparan y compran el protector solar básicamente para todo el verano. Si no tienes todo el suministro disponible en el supermercado en ese momento, simplemente te lo perdiste. No es como si, porque solo tenías 10 de esos kits por ahí hoy, vas a compensar los otros 290 mañana. No, a partir del lunes, no vas a vender ninguno de esos más.

Y esa es la diferencia, ¿verdad? Entonces, el valor esperado puede ser el mismo, pero importa mucho si la variabilidad está distribuida de manera cercana alrededor de ese valor esperado o si hay básicamente una gran discrepancia donde dirías, bueno, o no hay nada o hay este gran valor. Y si no tienes eso en cuenta al tomar tus decisiones, simplemente te lo estás perdiendo, ¿verdad? Y estás dejando mucho dinero sobre la mesa si tratas los productos, por ejemplo, de esa manera. Espero que eso ejemplifique lo que estamos hablando aquí, ¿verdad? Los valores esperados son valores esperados, pero lo que necesitas saber es qué escenarios realmente necesitas analizar. Y eso es lo que hace la optimización estocástica. Analiza diferentes futuros potenciales e intenta encontrar una decisión comprometida hoy.

Entonces, para las cosas que necesitas decidir hoy, donde no puedes esperar a ver cómo será el futuro, para esas decisiones, intenta encontrar una buena posición de partida para que luego puedas actuar muy bien una vez que se revele el futuro. Eso es lo que es la optimización estocástica, y eso es, en mi opinión, lo que hace cada ser humano todos los días. 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 mencionó Meinolf, un patrón en el protector solar que es muy estacional, pero el comienzo de la temporada varía con el clima de un año a otro. Es muy clásico. Hay toneladas de productos que entran en esta categoría. Otro tipo de producto que también sería un ejemplo similar en el comercio minorista sería la tienda de bricolaje donde las personas comprarían como cuatro unidades u ocho unidades a la vez porque son interruptores de luz y no quieren tener cuatro u ocho interruptores de luz en su apartamento que se vean todos diferentes. Entonces, cuando compran, querrán tener como cuatro u ocho todos iguales al mismo tiempo.

Si piensas que tener tres en el estante significa que no tienes faltante de stock, estás equivocado. Porque en realidad, la persona entra a la tienda, dice “quiero cuatro”, solo hay tres, así que van a otro lugar donde pueden encontrar cuatro unidades que resultan ser iguales. Por lo tanto, la irregularidad de la demanda realmente importa y es en este tipo de situaciones donde debemos analizar la estructura detallada de la irregularidad, más que algo que se promedia durante un largo período de tiempo.

Y de hecho, eso es lo que instintivamente sabe la persona que dirige la tienda. Es inútil tener un solo interruptor de luz. Necesito tener una caja de ellos todos iguales o es mejor no tenerlos en primer lugar porque la gente ni siquiera se molestaría en mirar un producto independiente. Un martillo independiente está bien porque la gente no viene a comprar cuatro martillos idénticos, pero los interruptores de luz no. Y eso es algo que es muy, quiero decir, no es como matemáticas de cohetes cuando lo piensas.

Creo que tienes toda la razón. He presenciado lo mismo. Las personas, especialmente los profesionales de la cadena de suministro, lo saben en su instinto. No necesitan las matemáticas, pero tan pronto como entran en el ámbito del software empresarial, de repente, se supone que un promedio móvil y un poco de suavizado exponencial cubrirán el caso. Y dicen que no te preocupes, si el promedio móvil no es suficiente, tenemos las clases ABC para refinar las cosas. Y estoy pensando que eso todavía no ayuda. Y estoy de acuerdo, hay esta desconexión donde supuestamente, cuando entramos en este ámbito del software, las personas dejan su sentido común en la puerta pensando que es la máquina, es demasiado complicado. Entonces, obviamente, si están haciendo suavizado exponencial, hay exponencial en el término, tiene que ser científico y avanzado, ¿verdad?

Meinolf Sellmann: Nos gusta descomponer problemas. Por eso me gusta ese término de irregularidad que mencionaste. Es deliciosamente un término técnico que se puede usar. Pero incluso se cruza con otros productos. Si tienes un supermercado y aumentas los precios de la leche, de repente menos personas vienen a tu tienda porque ya no obtienen sus productos básicos allí. De repente, los kayaks o cualquier otra cosa que vendas estacionalmente tampoco se venden porque simplemente tienes mucho menos tráfico en la tienda. Entonces, lo que realmente necesitas es una distribución conjunta posterior donde estés pronosticando escenarios potenciales sobre cómo fluye todo.

Conor Doherty: Esa descripción, específicamente de los productos básicos y luego la interrelación, suena notablemente similar a la perspectiva de la cesta de la que hablamos. Vas, quieres comprar un martillo, bueno, no tienen un martillo, me voy. Voy, quiero comprar muchas cosas, quiero hacer una lista de compras completa, falta la leche, bien, voy a ir a otro lugar donde también pueda conseguir leche y 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 hubiera significado que hubiera vendido la mantequilla, el pan, la mermelada, el helado, el tocino, lo que sea. Pero nuevamente, y ahora esto se relaciona con la siguiente pregunta que es para Meinolf, para defender con el principio de caridad a cualquiera que no esté de acuerdo, a las personas les gustan las heurísticas. Cuando hablabas de descomponer problemas, a las personas les gustan las heurísticas. Entonces, la idea de una clase ABC, suavización 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 abordarlo de manera ordenada para un departamento, mientras manteníamos esas separaciones de responsabilidades entre el aprendizaje automático y la optimización. No quieres tener que volver a capacitar a todos en tu equipo para hacer estas cosas. Y así, habría sido justo hasta, no sé, tal vez hace cinco años. Pero con la tecnología actual, no diría necesariamente que es más complejo para las personas que tienen que implementar esas soluciones.

Conor Doherty: Bueno, entonces, la continuación, y nuevamente me dirigiré a Joannes específicamente con esta pregunta, pero nuevamente, hablando antes sobre la precisión, ¿cómo se integra la precisión, lo que tradicionalmente se considera el KPI de referencia absoluto para cualquier pronóstico, en la optimización estocástica? ¿O es solo otra heurística que se queda en el camino cuando se piensa en las decisiones?

Meinolf Sellmann: Sí, obviamente, si alguien pudiera decirte cuáles serán los números de la lotería del próximo sábado, sería genial. El problema es que tienes que hacer pronósticos y vienen con incertidumbre inherente. No sabes todo sobre el mundo para saber qué va a pasar. Entonces, si tienes una tienda y tienes que decidir qué tipo de platos de sushi vas a poner allí, se aplican todos los productos perecederos que Joannes mencionó antes sobre la sobreventa de asientos en un avión. Si no estás vendiendo el sushi, tienes que tirarlo. Y eso significa que todo el costo de producción, transporte, precios y colocación se pierde si no lo vendes. Entonces no quieres tener un exceso de stock de esos productos con márgenes relativamente bajos en comparación con el costo que pierdes cuando es perecedero.

¿Sabes si hay estas cinco madres jóvenes que decidieron “Genial, podemos comer sushi de nuevo” y van a hacer una fiesta y van a saquear tu tienda? No lo sabes, simplemente no sabes si van a aparecer y comprar 40 de esos platos de sushi de repente. Y no puedes saber estas cosas. Así que hay incertidumbre ahí. Si tuvieras un pronóstico perfecto, sería genial. Pero ahora, viendo que no puedes tenerlo, haces lo siguiente mejor y eso es tratar de aprender cómo se equivocan mis pronósticos. Y esto es lo que llamamos con una distribución posterior. Entonces decimos, bueno, mira, ¿esto significa que si pongo estos platos de sushi aquí, significa para mi valor esperado que tengo aquí, digamos 50 platos más o menos, la mayoría de los días son 50 platos, a veces son 48, a veces son 42, bien. ¿O significa que 50 platos significan, bueno, sí, son 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 necesitas derivar de ahí en términos de lo que vas a poner en tu estante son muy, muy diferentes. Así que es un poco engañoso. La precisión sería genial si pudieras obtener el 100%. Si no puedes obtener el 100%, necesitas hacer lo siguiente mejor y eso es pronosticar y evaluar cómo te equivocas.

Joannes Vermorel: Sí, y solo para retomar el comentario de Meinolf sobre la complejidad o la complejidad percibida, mi opinión al respecto es que con mucha frecuencia, al abordar una situación, el instinto es comenzar con una solución. Es muy difícil concebir un problema hasta que tienes la solución. Eso es muy extraño. Sabes, nuevamente, el pensamiento cartesiano sería consideremos este problema e investiguemos la solución, pero eso no es absolutamente cómo las personas, incluso yo mismo, operamos. Es más como que tengo esta serie de soluciones que puedo imaginar y a partir de eso, puedo reconstruir un problema que puedo resolver. Sabes, típicamente es al revés.

Entonces comienzas con una solución o la serie de soluciones que estás dispuesto a considerar y luego, en base a eso, elegirás el problema que crees que puedes resolver. Porque hay muchos problemas que serían fantásticos pero simplemente no puedes resolverlos. Sabes, tener autos voladores, no sé cómo hacer un motor antigravedad, así que ni siquiera pierdo tiempo considerando cuál sería el mejor diseño para un auto volador porque está tan lejos de poder hacer eso que ni siquiera es un problema que valga mi tiempo.

Entonces, volviendo a eso, creo que cuando hablamos de incertidumbre en el pronóstico y luego lidiar, manejar esta incertidumbre en el lado de la optimización, eso es optimización estocástica. Creo que el elemento, y estoy de acuerdo contigo con el progreso de la tecnología, el elemento requiere ingredientes tecnológicos, conceptos, paradigmas, algunas cosas. No son naturalmente muy difíciles, pero si inicialmente estás viviendo con esas cosas que están completamente ausentes, es muy difícil imaginarlas de la nada. Es como fundamentalmente no son muy difíciles, pero son muy extrañas.

Las personas hoy en día dan por sentado que pueden tener una llamada con alguien que está al otro lado del mundo y es algo dado. Dile eso a una persona hace 200 años y pensaría que es magia completa. Sabes, la idea de que podrías hacer algo así era simplemente inconcebible. Entonces, ¿pueden las personas hacerlo hoy en día? Sí, bastante fácilmente. Pero nuevamente, conocen la solución, por lo que pensar en el problema es mucho más fácil.

Entonces, volviendo a eso, creo que el desafío es que hasta que tengas la solución, es muy difícil razonar al respecto. Y si te adentras tal vez en el tipo de producto que estás haciendo en InsideOpt, con Seeker, es que si todo lo que tienes son herramientas de optimización que no manejan ningún tipo de incertidumbre, entonces todos los problemas de optimización que estás dispuesto a considerar son, por diseño, debido a tu herramienta, aquellos en los que has eliminado de manera paradigmática la incertidumbre.

Esto es mi bala de plata, así que necesito un problema que encaje. Y este es. Así es donde veo el mayor desafío, a veces simplemente crear la conciencia de la existencia de la clase de soluciones para que las personas puedan pensar incluso en la clase de problemas. Sé que estoy siendo muy meta aquí.

Conor Doherty: Bueno, en realidad, para seguir porque es una transición perfecta, tal vez sin intención, pero te daré crédito de todos modos. Cuando hablas de primeros principios, comenzando con el problema y luego yendo a la solución, en una de tus conferencias hablas sobre el problema de la tostadora de café. ¿Podrías esbozar eso, por favor? Porque nuevamente, es un ejemplo muy vívido y agradable. Define cuál es el problema y luego explica cómo podríamos resolverlo de manera estocástica o usando la optimización estocástica para resolver ese problema.

Meinolf Sellmann: En realidad, es un problema muy clásico en la optimización. Se llama planificación de la producción. Si alguna vez has tomado un curso sobre el curso de trabajo estándar al que te referías, que es la bala de plata para todo en la optimización, que es la programación entera mixta, probablemente te hayas encontrado con un ejemplo de planificación de la producción.

Entonces, ¿qué es la planificación de la producción? Tienes recursos limitados para construir los productos que quieres hacer, y tienes una ganancia esperada que viene con hacer cada unidad de cada producto. Pero estos productos comparten estas capacidades de producción. Por ejemplo, máquinas que pueden hacer varios productos diferentes, la línea de empaque, los tostadores en el caso del café, a veces comparten los ingredientes. Diferentes tipos de cafés pueden usar el mismo tipo de granos. Por lo general, es una mezcla de granos la que se utiliza.

Entonces la pregunta es, ¿qué voy a producir en qué capacidad de producción y en qué momento? Esto es algo que debe hacerse todos los días para producir café. Debe haber alguien allí que diga, vamos a tostar estos granos crudos aquí, vamos a almacenarlos en ese silo allí porque no puedes usarlos de inmediato. Necesitan enfriarse antes de empaquetarlos.

Y luego vas y los sacas de nuevo. También necesitas decidir cuándo vas a sacar qué de qué silo y luego lo mueves a las líneas de empaque que tienen capacidades limitadas. Hasta aquí todo bien.

Si ahora supieras exactamente cuánto tiempo se tarda en tostar el café, la vida sería mucho más fácil. Además, si supieras exactamente cuánto tiempo se tarda en enfriar los granos, la vida también sería mucho más fácil. El problema es que tienes estimaciones para ambos. Entonces, dependiendo de lo secos que estén los granos que llegan a la fábrica de tostado, el tostado es más corto o más largo para obtener los granos en su punto perfecto. Y eso, por supuesto, arruina todo porque no puedes dejar el tostador solo.

Si no estás tostando nada durante más de 10 minutos aproximadamente, tienes que apagarlo y si lo apagas, tarda media hora en volver a funcionar. Así que de repente te encuentras con estas no linealidades que de repente enfrentas y te das cuenta de que, bueno, ahora el tostador se apagó y ahora buena suerte tratando de tostar durante la próxima media hora.

Ahora podrías decir, bueno, ¿qué daño hace si comienzo a tostar lo siguiente antes? Bueno, no sabes dónde poner eso porque los silos están llenos y el empaque no sigue. Así que para hacer espacio para el próximo producto que saldría del tostador, necesitas liberar esa capacidad, pero eso significa crear estrés en otra parte del sistema.

Y ahora te sientas ahí y necesitas idear un plan. Quiero decir, descubres que los tostadores en realidad están parados durante cierto tiempo, simplemente porque no saben dónde almacenar el producto, el producto terminado pero sin empaquetar. Y eso, por supuesto, es una enorme carga en los costos operativos de un negocio así.

Joannes Vermorel: Creo que refleja el hecho de tener cuidado con la modelización simplista. Hay un grado de detalle en el negocio que es muy alto y también que requiere otra cosa. La mayoría de los modelos publicados en la literatura y la mayoría de lo que obtienes en los cursos, te dan una solución directa, más o menos sofisticada, a un problema bien comportado.

Entonces tienes un problema que tiene una estructura agradable, algo que porque los profesores, he estado enseñando en la universidad, no quieres pasar dos horas escribiendo todas las variables. Así que presentarás el problema de manera que tenga como máximo 10 variables y así no pasarás dos horas presentando todos los factores del problema. Quieres algo que pueda tener como máximo 10 variables, como máximo tres ecuaciones y terminar con eso y seguir adelante.

Lo cual es engañoso porque la realidad es que la realidad viene con muchos detalles y, por lo tanto, ¿qué te queda? Te queda que te entreguen una solución, un modelo, que es algo inútil. No es suficiente. No es suficiente porque, bueno, nunca sabes exactamente tu situación. Intentarás modelarlo y luego descubrirás algo y luego revisarás tu modelización.

Y tal vez dirás, bueno, esta cosa es demasiado compleja para modelizar, me rindo. Pero necesito reintroducir esta otra variable que había ignorado porque, de hecho, fue un error ignorarla. Realmente afecta mi operación. Y así el modelo en sí, nuevamente, si miramos la perspectiva típica de la academia, el modelo es un hecho. Habrá una prueba, habrá como formas canónicas y demás.

Y eso es exactamente lo que obtendrás con la programación entera mixta donde tienen una serie de problemas que se pueden resolver fácilmente con formas canónicas y demás. Pero la realidad es que cuando estás lidiando con una cadena de suministro real, tienes un problema en constante cambio y aprendes aplicando la herramienta, lo que sea que tengas, al problema y lo revisas.

Y de repente te das cuenta de que lo que importa es más bien que necesitas algo que sea nuevamente más abstracto, algo que te permita cambiar rápidamente de una instancia del problema a la siguiente instancia del problema y seguir haciéndolo. Lo cual implica todo tipo de cosas. Debe ser computacionalmente rápido, debe ser versátil para que puedas expresar todo tipo de soluciones diversas. Debe ser bastante conveniente para integrarse con el resto de tu paisaje aplicativo.

Por lo tanto, conlleva muchas preocupaciones adicionales que, nuevamente, si miras la literatura típica de optimización matemática, esas preocupaciones que acabo de mencionar ni siquiera están enumeradas. Puedes ir de la primera página a la última página del libro y en ningún momento discutirían, bueno, por cierto, este método es súper lento, impráctico o este enfoque es tan rígido que ante la más mínima revisión del modelo, tendrías que desecharlo por completo y comenzar de nuevo.

O este enfoque es tan propenso a errores que sí, en teoría, podrías hacerlo de esa manera si eres como la NASA y tienes ingenieros súper brillantes y una década para abordar el problema. Pero en la práctica, si tienes prisa y demás, nunca funcionará. Por lo tanto, hay muchas preocupaciones meta que son muy, muy importantes. Y nuevamente, creo que podría relacionarse con el tipo de cosas que estás haciendo con Seeker y cómo estás pensando incluso en 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 aquí, ¿verdad? Entonces, tienes toda la razón, Joannes, en que cuando las personas modelan el negocio, y eso es probablemente lo que le interesa a la audiencia aquí, es decir, cómo obtenemos mejores resultados, más tangibles para el negocio.

Estás, hasta cierto punto, obligado a hacer una aproximación de la vida real en la computadora y simularla, ¿verdad? Quiero decir, de una forma u otra, puedes pensar en cualquier modelo de optimización como una simulación de, bueno, ¿qué pasaría si hago esto? Y luego calculas qué pasaría, ¿verdad? ¿Es esto todavía algo que el plan puede ejecutar, lo que llamaríamos factible en la terminología de la optimización?

Entonces, ¿cumple todas las restricciones laterales? Esto es ejecutable. Pero luego, en segundo lugar, también, ¿qué tan bueno es en realidad, verdad? Cuál es la función objetivo, así es como medimos el KPI que estamos tratando de optimizar. ¿Lo sabrías, verdad? Entonces, eso sería mejor. Pero el punto ahora es que si corres y la única herramienta que conoces es un martillo, te encontrarás poniendo clavos encima de tus ventanas para colgar tus cortinas en algún momento.

Y es una idea muy, muy mala. Y esto es lo que están haciendo los expertos en MIP cuando lidian con cosas como la cadena de suministro y la optimización bajo incertidumbre en general. Porque están usando una herramienta que está hecha para la optimización determinista y para eso, es absolutamente fabulosa. Pero te obliga a hacer aproximaciones tanto en el lado de la determinación versus la no determinación o la incertidumbre, debería decir, porque la no determinación tiene otro significado en ese contexto.

De linearizar todo, hay tantas relaciones en un negocio que simplemente no son lineales. Y luego la pregunta es, ¿ok, entonces puedes de alguna manera aproximar eso? ¿Puedes ajustar una función lineal por partes a tu función no lineal? ¿Puedes binarizar las cosas? ¿Es eso lo que está sucediendo?

Ahora, para hacerlo más tangible para la audiencia, si estás dirigiendo un negocio, digamos que eres el CEO de una empresa, claro, puedes simplemente ir a Lokad y decir: “Oye, lo compraremos de ti” y ellos se encargarán de ti. Pero digamos que tienes otra empresa que hace esto por ti, o tienes tu propio departamento que lo hace, ¿qué deberías hacer para mejorar las operaciones?

Entonces, es posible que ahora estés intrigado y pienses: “Oh, hay toda esta otra cosa y sabes, un costo operativo un 20% mejor suena increíble. ¿Cómo lo consigo?” Lo primero que debes hacer es preguntarte: “¿Cuál es nuestro proceso? ¿Es este un proceso de predecir y optimizar?” Pero luego también, “¿Qué libertades tomamos al modelar el sistema real con el que realmente estamos tratando? ¿Dónde estamos haciendo aproximaciones?”

Y así, lo que debes hacer para ambos casos, para ver cuál es la discrepancia, es decir: “Mira, tu modelo de optimización tenía una función objetivo. Decía que estoy favoreciendo esta solución sobre esta otra solución porque mi función objetivo, que se supone que aproxima el KPI real, es mejor para esta solución que para la otra. Ahora dime, ¿cuál es mi KPI esperado para la solución óptima?”

Y luego haz un seguimiento de eso, haz un seguimiento y compáralo con tus soluciones y resultados reales en tu sistema que estás obteniendo realmente. Entonces, si estás minimizando costos, haz un seguimiento de los costos y observa la diferencia entre lo que el MIP pensó que iban a ser los costos y cuáles son tus costos reales en realidad. O ya sabes, si estás maximizando ganancias, bueno, haz un seguimiento de eso. Pero el punto aquí es este, haz un seguimiento, observa la diferencia entre lo que se usó para tomar la decisión y lo que realmente se materializa.

Y hay dos fuentes para cualquier discrepancia. La primera es que te viste obligado a ajustar tu sistema en un marco de modelado que era demasiado restrictivo. Eso es algo malo. O la otra es que simplemente ignoraste por completo que hay incertidumbre y ahí es donde viene la discrepancia. Si ves más de un 5% de discrepancia allí, necesitas hablar con alguno de nosotros.

Joannes Vermorel: Y agregaría a tu receta, y estoy de acuerdo con tu proceso de pensamiento que acabas de describir, incluso agregaría algo que típicamente recomiendo incluso antes de este proceso. Algo que al comienzo, muy, muy al comienzo, es porque había como el problema de las herramientas incorrectas, pero diría que incluso antes de eso, hay incluso el problema de tener los conceptos incorrectos, las ideas incorrectas.

Solo para darte un ejemplo, la noción de factibilidad que se encuentra en la literatura clásica de optimización. La gente diría: “Oh, hay una solución que es factible o infactible”. Ok, pongamos un ejemplo concreto. ¿Es algo realmente blanco o negro así?

Solo para dar un ejemplo, estamos en un almacén y pasamos pedidos a los proveedores rutinariamente. Y el almacén tiene una capacidad finita para recepciones. Entonces, 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 llevar las cajas y demás.

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 cumplir con tus restricciones. Pero aún así, puedes tener mala suerte y luego hay una orden que se pospone, otra que llega un poco más rápido, y luego ¡zas!, terminas con un lunes donde llegan 2,000 unidades el mismo día. Pero esas órdenes se compraron con un mes de anticipación.

Entonces, aquí ves que esta es una solución donde para cada decisión que tomes, hay una probabilidad de que termines en una situación infactible. No está completamente bajo tu control. Entonces, nuevamente, eso es lo peligroso de tener conceptos incorrectos, porque cuando analizas la situación con conceptos desactualizados o demasiado rígidos o inapropiados, el problema es que ni siquiera puedes entrar en el estado mental que te permita apreciar lo que realmente te brindará la mejor herramienta.

Entonces, estás atrapado con factible, no factible. Bueno, una vez que entiendes que en realidad la factibilidad no depende completamente de ti, obviamente hay cosas que chocarán. Entonces, si ordenas proveedores de la misma área, el mismo día, misma cantidad con los mismos puertos y demás, la probabilidad de que todo llegue a tu puerta el mismo día es bastante alta. Así que te dispersarías, pero incluso ahí tienes cierto riesgo.

Y esto sucede en muchos, muchos contextos. Y ese es un ejemplo. Entonces aquí vemos que lo que se da por sentado, la factibilidad, una solución factible, una solución infactible, no es exactamente así. Ves, el concepto está un poco desviado.

Otra forma sería el nivel de servicio. La gente pensaría en términos de nivel de servicio, sí, pero ¿es realmente lo que la gente percibe? Ahí es donde típicamente entro en la discusión de la calidad del servicio. Y la calidad del servicio puede incluir la posibilidad de canibalización de sustitutos 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 la incertidumbre no existe, donde tu optimizador siempre es clásico, no estocástico, entonces mi opinión es que lo más probable es que el tipo de camino que propones te resulte incomprensible. Por eso, típicamente animo a mis prospectos a que simplemente se detengan y hagan un ejercicio de análisis y comiencen a ver el mundo a través de diferentes perspectivas y se tomen el tiempo para considerar esas cosas con este tipo de intuición antes de sumergirse en las tecnicidades que pueden ser muy distractoras porque son un poco técnicas, además es software, además es un poco de matemáticas, además es etcétera, etcétera. Y eso puede ser una gran distracción, especialmente si tienes competidores que están arrojando toneladas de tonterías al asunto como, “Oh, ¿quieres hacer todo eso? Sabes qué, tengo la respuesta para ti, LLMs. Y sabes qué, tenías esta incertidumbre pero tenemos LLMs, Modelos de Lenguaje Grandes. No vas a creer lo buenos que serán esos pronósticos. Y la optimización con LLMs, es tan buena.”

¿Lo es? Obviamente, cuando las personas están pensando, “Bueno, simplemente…” Sí, quiero decir, porque al menos en Lokad, cuando estamos hablando con prospectos, el problema es que nunca estamos hablando solos con el prospecto. Hay como media docena de otros proveedores que también están promocionando sus cosas y con frecuencia están promocionando muchas tonterías. Y así los prospectos están abrumados con todas esas cosas brillantes y esas afirmaciones extravagantes.

Conor Doherty: Bueno, me parece que ambos básicamente acaban de esbozar uno de los problemas clave para convencer a las personas de la optimización estocástica y cualquier otra tecnología de caja negra. Podría ser pronóstico probabilístico o cualquier cosa que involucre matemáticas básicamente, hay un nivel de entrada hasta cierto punto. Y entonces, Meinolf, volviendo a ti, en tu experiencia, ¿cómo intentas, porque eres muy bueno enseñando, cómo haces que las personas se sientan cómodas abrazando el tipo de incertidumbre del que hemos hablado durante una hora?

Meinolf Sellman: Puede haber una desconexión cognitiva en este momento con la audiencia donde piensan, “Bueno, nos dijiste que las aerolíneas están perdiendo dinero el día de la operación, pero por alguna razón, han adoptado esta tecnología durante décadas. ¿Por qué diablos no están usando las cosas de las que Lokad e InsideOpt están hablando?” Y la razón es exactamente a la que te estás refiriendo.

Si quisieras hacer optimización estocástica para algo como una aerolínea, estarías aumentando el tamaño del problema hasta un punto en el que simplemente no podrías resolverlo más. Las personas que trabajan en la industria de las aerolíneas y hacen optimización para ella son muy conocedoras y saben, por supuesto, sobre la optimización estocástica y la tradicional, pero siempre se basaba en MIP.

No quiero ponerme demasiado técnico aquí, pero básicamente cuando estás buscando algo, hay dos formas de buscar. Una de ellas es decir, “Oh, encontré algo que ya es bueno. Veamos si puedo mejorarlo.” Y la otra forma es decir, “Nunca voy a encontrar algo aquí.” MIP funciona diciendo, “Oh, no tengo que buscar aquí. No puede estar aquí,” y luego busca en otro lugar.

Ahora, si tu espacio de búsqueda es vasto y si esta cosa que te dice, “No tienes que buscar aquí,” no funciona muy bien, es como decir, “Sí, no parece que esté aquí, pero tampoco puedo descartarlo,” entonces sigues buscando en todas partes y se vuelve mucho más efectivo buscar donde ya está buscando de manera agradable, digamos.

Entonces, si estás tratando de hacer optimización estocástica con programación entera mixta, que funciona de esta manera donde dices, “Oh, sé que no puede haber nada aquí,” tus llamados límites duales nunca serán lo suficientemente buenos como para reducir la base de búsqueda a un punto donde realmente puedas permitirte hacer la búsqueda. Y ahí es donde las personas han estado atascadas durante 20-25 años.

Y ahora, hay esta nueva forma de hacer las cosas, que es básicamente una búsqueda basada en IA, que dice, “Mira, no me importa si voy a obtener algún tipo de límite de calidad para la solución que voy a obtener, pero en cambio, te aseguro que voy a pasar todo mi tiempo tratando de encontrar la mejor solución posible en el tiempo que tengo para hacer el trabajo.” Es muy pragmático y práctico, y ahora eso existe.

En ese marco, de repente te liberas también de todas las otras limitaciones con las que tenías que lidiar antes, como tener que linearizar y binarizar todo. Todas esas cosas se han ido. Puedes hacer 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 obtienes de esto, como la paralelización de la programación entera mixta. Este enfoque de ramificación y acotación es muy difícil de hacer. Las mejoras de velocidad que obtienes son limitadas. Tienes suerte si obtienes una mejora de velocidad de cinco veces en una máquina razonablemente grande. Esta búsqueda basada en IA realmente se beneficia de utilizar de 40 a 100 núcleos para un problema.

Y así, esto va de la mano con el desarrollo del hardware también, que esta podría ser la mejor tecnología para usar. Pero la conclusión es que, al utilizar una forma diferente de buscar en estos espacios vastos, estás permitiendo a los usuarios modelar de manera mucho más cómoda el sistema real en lugar de alguna aproximación burda del mismo.

Y al mismo tiempo, manejar cosas como la optimización multiobjetivo. Rara vez solo importa un KPI, hay varios. Manejar cosas como, “Oh, principalmente quiero que esta regla se cumpla aquí, pero está bien si de vez en cuando se incumple.” Entonces, está bien si hay un escenario donde esa visibilidad no se cumple. Puedes modelar eso muy fácilmente.

Y por supuesto, puedes hacer optimización estocástica, no solo en el sentido de que estás optimizando los rendimientos esperados, sino que incluso puedes optimizar activamente, restringir, minimizar el riesgo que conllevan tus soluciones. Y eso es el cambio de paradigma. Esto es lo que creo que impulsa a Lokad e InsideOpt, decir, “Oye, mira, hay un paradigma completamente nuevo que podemos seguir, que nos permite hacer todas estas cosas que eran impensables en 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, que nunca terminé, lo interesante es que la creencia de la comunidad de aprendizaje automático y la comunidad de optimización sobre los problemas fundamentales de la optimización resultó ser completamente incorrecta.

Cuando estaba en mi doctorado, la creencia era la maldición de la dimensionalidad. Si tienes un problema de alta dimensionalidad, no puedes optimizar. Y ahora, con los modelos de deep learning, estamos lidiando con modelos que tienen miles de millones o incluso billones de parámetros. Entonces, aparentemente, sí, podemos optimizar problemas, sin problema.

Entonces, pensaban que si no era convexo, no se podía hacer nada. Resulta que no, en realidad se pueden hacer muchas cosas incluso si no es convexo. Y de hecho, no tenemos ninguna prueba, pero si tienes algo que es, según otros criterios, bastante bueno y útil, no importa realmente que no puedas demostrar que es óptimo, siempre y cuando tengas otras formas de razonar sobre la solución y puedas decir, bueno, no puedo razonar sobre la optimalidad, pero aún puedo razonar sobre el hecho de que es una excelente solución aunque no tenga la prueba matemática.

Y luego hubo todas esas series de cosas donde también la idea de, durante mucho tiempo, la única forma en que estaba, cuando estaba viendo la optimización estocástica, la gente decía: “Oh, eso era lo que mencionabas sobre aumentar la dimensión. Dices, bueno, vas a enumerar mil escenarios y escribir esos mil escenarios como una sola situación que quieres optimizar de una vez”.

Es solo una expansión macro. Solo tomas tu problema, expandes macro este problema en mil instancias, y eso te da un problema que es mil veces más grande. Y luego dices, “Bueno, ahora estoy de vuelta en el punto de partida. En realidad, puedo optimizar eso”. Pero al hacer eso, ya tenías, con los paradigmas antiguos de ramificación y acotación, una escalabilidad terrible.

Entonces, si tu primer paso es expandir macro tu problema en un factor de 1,000, va a ser absolutamente lento. Y lo que sorprendió, creo, a la comunidad de deep learning, por ejemplo, fue la increíble eficiencia del descenso de gradiente estocástico, donde puedes simplemente observar situaciones y ajustar un poco los parámetros cada vez que observas algo.

Y hubo muchas ideas. Y lo interesante que he visto durante las últimas dos décadas es que el aprendizaje automático y la optimización han estado progresando lado a lado, principalmente destruyendo creencias anteriores. Ese fue un proceso muy interesante.

La mayoría de los avances en deep learning se lograron a través de mejores herramientas de optimización, mejor uso del álgebra lineal y las GPUs, tipos especiales de hardware informático y optimización matemática. Cada vez más se están utilizando técnicas de aprendizaje automático donde no quieres buscar al azar.

Hay lugares donde dices, “Bueno, estas cosas aquí, no puedo demostrar nada, pero parece que son muy malas”. Entonces, y parece que es malo en general, todo este vecindario es como una porquería, así que tengo que buscar en otro lugar. Y también, otras consideraciones como, “Ya he pasado mucho tiempo en esta área buscando, así que tal vez, incluso si es un buen área en general, ya he pasado tanto tiempo allí, entonces tal vez debería buscar en otro lugar”.

Y esa es una especie de técnica de optimización, pero que está muy orientada, diría yo, al aprendizaje automático. Y mi opinión es que tal vez dentro de 20 años, incluso pueda haber un dominio que se haya fusionado, que sea como aprendizaje automático y optimización, y realmente no se diferencien entre sí.

Es una de las cosas que tenía en mi radar desde hace dos décadas, y cada año que pasa, veo esta convergencia gradual. Y es muy intrigante porque siento que todavía faltan conceptos.

Meinolf Sellman: Sí, y me centraré en una cosa que dijiste allí. El aprendizaje automático es increíble cuando tienes juegos repetidos. Es como contar cartas en el blackjack. No puedes garantizar que vas a ganar, todavía hay una posibilidad de que la previsión esté equivocada, pero si juegas ese juego repetidamente, de repente tienes una gran ventaja.

Y por eso dije antes, “Mira, sigue tus resultados operativos, tu beneficio, tu costo, o lo que sea que estés haciendo durante algún período de tiempo”. Porque en cualquier día, la solución que ejecutaste puede estar equivocada. Es un poco como si alguien dijera: “Oh, voy a lanzar este dado, y si sale un cuatro, pierdes y tienes que pagarme un dólar para jugar. Pero si sale cualquier número excepto 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, ¿verdad? Porque si juegas ese juego repetidamente con esa estrategia de aceptar ese juego porque el valor esperado es, por supuesto, muy alto y la pérdida de cualquier manera es muy factible, de repente obtienes una ventaja real. Y eso es un poco el nombre del juego cuando usas el aprendizaje automático en la optimización. Esto es exactamente este paradigma de búsqueda basada en IA. Nosotros lo llamamos búsqueda hiperreactiva. No sé cómo lo llaman ustedes en Lokad, pero es exactamente esta idea, ¿verdad?

¿Puedo, para tus problemas, esto es más o menos lo que impulsa a InsideOpt Seeker. Esto es lo que el solucionador hará por ti una vez que sepas cuál es tu modelo y qué problemas estás resolviendo. Y ahora, todos los días, tienes estos problemas operativos que necesitas decidir. ¿Qué voy a asar hoy? ¿Cuánto inventario voy a reubicar hoy y a dónde? Y tienes esas instancias que necesitas hacer a lo largo de muchas semanas diferentes y días de producción.

Luego vas y le preguntas al solucionador: “Oye, mira tus estrategias sobre cómo estás buscando realmente en este espacio. ¿Podrías haber encontrado mejores soluciones si hubieras buscado de manera diferente?” Y luego mirará exactamente las 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 esta idea aquí. Veamos si puedo hacer algo más.

Y otros similares, ¿verdad? Y esas características en tiempo de ejecución luego influyen en otras decisiones, como cuántas cosas estoy dispuesto a cambiar al mismo tiempo, ¿verdad? ¿Debería realmente hacer una investigación? Entonces, si es muy reciente que llegué a algún espacio de búsqueda, podría ser una muy, muy buena idea ser muy codicioso, decir algo como: “Oye, cualquier movimiento que mejore lo voy a tomar ahora mismo para encontrar una buena solución en ese espacio”.

Pero después de un tiempo, has estado allí por un tiempo, luego piensas: “Bueno, necesito ampliar un poco mi horizonte aquí porque podría estar atrapado en algo que solo es óptimo localmente, pero globalmente podría haber configurado otras variables mucho mejor para que en general pudiera haber hecho algo mejor aquí”. Y eso es un cambio de paradigma en este momento, ¿verdad? Así que se aleja de todo este pensamiento de “¿Puedes detectar rápidamente que no hay nada aquí?” a “¿Puedo aprender a buscar mejor?” Y esa es la revolución.

Joannes Vermorel: Para aprovechar la búsqueda de IA. Sí, absolutamente. Y especialmente con el tipo de problema que Lokad está resolviendo para nuestros clientes, la mayoría de las cadenas de suministro se pueden abordar de manera extensiva de forma codiciosa, no completamente, pero de manera extensiva. Y hay algunas razones darwinianas para eso. Si hubiera situaciones de cadena de suministro que fueran realmente, diría, antitéticas a un enfoque codicioso, ya se habrían purgado, eliminado porque las empresas no tenían el lujo de tener herramientas de optimización súper sofisticadas.

Entonces necesitaban, y con mucha frecuencia eso era literalmente una consideración de diseño, que es: “¿Puedo configurar mi cadena de suministro y mis procesos para que pueda moverme en la dirección correcta y aún estar bien?” Ese era el principio rector típico a nivel de diseño. Y luego, de hecho, cuando entras en los detalles, te das cuenta de que sí, puedes quedarte atrapado en algunos lugares malos incluso si en general vas bien en la dirección correcta.

Entonces, típicamente, sí, Lokad se basaría ampliamente en la perspectiva codiciosa, incluso yendo hasta el final con los gradientes cuando los tienes. Y luego, de hecho, hacer lo local una vez que estés en la fase final donde quieres hacer los ajustes micro y tal vez obtener un poco más de resiliencia. Entonces, si puedes hacer algún ajuste que no te cueste mucho pero que te dé mucha más flexibilidad en las operaciones, eso sería solo para hacerlo más concreto para la audiencia.

Digamos, por ejemplo, que operas un almacén. Piensas que hay como un 0,1% de probabilidad de que te quedes sin cartón de embalaje para enviar tus cosas. Puede parecer un evento de baja probabilidad, pero por otro lado, se siente muy tonto cerrar el almacén solo porque te falta cartón que es súper barato. Entonces dirías: “Está tan poco que sí, vamos a tener un par de meses de cartón extra”.

Porque están plegados, no ocupan espacio en absoluto, son súper baratos. Entonces, ese tipo de cosas donde un poco de optimización adicional diría, la gente diría: “Oh, tenemos un tiempo de entrega de tres días para esos cartones. Ya tenemos un mes en stock”. La gente diría: “Oh, es suficiente. No lo necesitamos”. Y luego haces la simulación y dices: “Sabes qué, todavía tienes este riesgo del 0,1%. Es bastante tonto. Deberías tener como tres meses”.

Y dices: “Bueno, es muy barato, pero se siente como mucho”. Pero dices: “Bueno, es súper barato. No ocupa tanto espacio. ¿Y por qué arriesgarse?” Ya sabes, ese tipo de cosas que son un poco contraintuitivas donde te das cuenta de que es, sí, esta cosa es solo una vez cada pocos años. Pero luego tienes muchas cosas que suceden una vez cada pocos años.

Y ahí es donde tener una buena optimización te permitirá cubrir esas cosas que son tan infrecuentes que para la mente humana, parece que fue otra vida. Quiero decir, las personas rotan. Rara vez se quedan dos décadas en el mismo trabajo. Entonces, probablemente algo que sucede una vez cada tres años, el gerente del almacén nunca lo ha visto. Los equipos, la mayoría de las personas ni siquiera recuerdan haber visto esa cosa.

Entonces, hay un límite para 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 agregas docenas y docenas y docenas, y al final del día, terminas con algo donde es como que cada mes hay uno de esos problemas que se podrían haber evitado si realmente tuvieras en cuenta el riesgo.

Pero es un poco contraintuitivo porque es un poco más de gasto en todo tipo de lugares. ¿Por qué el extra? Bueno, el extra es porque, bueno, infrecuentemente pero casi con seguridad, te metes en problemas si no lo haces.

Meinolf Sellman: Sí, y eso es en realidad la trampa en la que caes cuando tienes una solución óptima demostrable. Suena como: “Ok, mira, esta es mi solución óptima demostrable, y tengo buenos pronósticos”. Pero ahora, si los pronósticos están ligeramente equivocados, esa solución óptima demostrable, porque exprimió el último centavo de la solución, es extremadamente frágil. Y a la derecha y a la izquierda de ese pronóstico, el rendimiento disminuye y es abismal.

Y quieres una tecnología que te permita decir: “Mira, sí, tu ganancia esperada 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 los tipos de intercambios que quieres que la tecnología encuentre por ti, porque es muy, muy difícil que tú digas: “Ok, mira, déjame limitar uno y optimizar el otro”, porque entonces te encuentras con otra trampa de compromiso.

Quieres poder decir: “Mira, tengo todas estas preocupaciones. Intenta encontrar un buen compromiso. Encuéntrame el seguro más barato contra un evento tal y tal”. Y eso es un poco, ya sabes, tal vez cierra el círculo con cómo comenzamos sobre lo difícil que puede ser envolver tu cabeza en la toma de decisiones y la incertidumbre.

Pero esto es en esencia lo que es. La idea equivocada es que si tuvieras una solución óptima para un futuro predicho, probablemente también funcionaría razonablemente bien para futuros que son solo ligeras derivaciones de este. 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 puedan ocurrir. Y quieres que sea de tal manera que realmente equilibre tu riesgo y tus rendimientos esperados de manera 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 no es la decisión perfecta, pero sería el mejor compromiso para satisfacer todas las decisiones o todos los problemas separados, ¿verdad?

Meinolf Sellman: Correcto. Podríamos hacer eso 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 mejor solución que podrías haber ejecutado. Pero en ausencia de saber el futuro perfectamente, y quiero decir perfectamente, no solo, ya sabes, 99.9% perfectamente, en ausencia de eso, necesitas ejecutar un compromiso que sea esencialmente bueno en general para todas las cosas diferentes que podrían suceder.

Y eso es exactamente lo que la optimización estocástica hace por ti. Y de esta manera, elimina la fragilidad. Podríamos decir que es una optimización robusta, pero eso es un término técnico propio, así que no podemos usarlo realmente. Pero eso es lo que se quiere decir, ¿verdad? Quieres eliminar la fragilidad, quieres eliminar la fragilidad en tus operaciones. Tener resultados muy confiables, continuos y repetidos. Eso es lo que la optimización estocástica te dará. Y al mismo tiempo, tus ganancias esperadas realmente aumentarán más allá de lo que pensabas que era posible.

Porque si solo te guías por el rendimiento de validación cruzada y luego la optimalidad demostrable, te estás perdiendo completamente el punto. Está 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, estás asumiendo que esa previsión fue correcta al 100%. Y así es como funciona la tecnología de optimización tradicional, y necesitas abandonarla y comenzar 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 llegando al final. Joannes, te daré un último comentario y luego se lo paso a Meinolf para que cierre. ¿Algo que quieras agregar ahí?

Joannes Vermorel: Quiero decir, sí, lo intrigante es que la mejor cadena de suministro, cómo se ve, eso es, y las mejores decisiones ajustadas al riesgo son aquellas en las que la empresa sigue funcionando suavemente, ya sabes, donde no hay, diría yo, decisiones desastrosas absolutamente críticas que se toman y que simplemente, ya sabes, lo arruinan todo.

Y ahí es donde la gente esperaría, ya sabes, que el plan de cadena de suministro más brillante de todos identificaría este producto que ha sido completamente ignorado por el mercado y decir, ya sabes qué, tenemos que apostar todo por este producto que era súper nicho y ¡bum!, vender un millón de unidades mientras nadie estaba prestando atención. Digo que esto es magia. No, quiero decir, tal vez haya emprendedores como Steve Jobs que puedan hacer eso, pero es casi imposible.

Entonces, la idea de que puedes aprovechar el futuro, identificar la pepita de oro, la oportunidad tipo bitcoin, y apostar todo por eso y hacer una fortuna, es muy ridícula. Cómo se ve, yo diría que una excelente gestión de la cadena de suministro es que funciona suavemente. Tienes decisiones conscientes del riesgo para que cuando las cosas van mal, en realidad no sean tan malas. Cuando van bien, la mayoría de las veces son muy buenas, por lo que son muy rentables de manera sólida. Cuando van mal, es algo limitado y no es horrible.

Y cuando vuelves a analizar una decisión, ya sabes, vuelves atrás en el tiempo y lo miras, sí, si lo hubiera sabido, lo habría hecho de manera diferente. Pero si hago el ejercicio honesto de intentar volver a la mentalidad que tenía en ese momento, digo, sí, fue una decisión razonable en ese momento. Y no confundir, no dejar que la retrospectiva contamine tu juicio al respecto, porque eso es muy malo.

Y sabía, por ejemplo, que algunos de nuestros clientes, ya no lo hacen, pero en la industria aeroespacial, por ejemplo, después de cada incidente de AOG (aeronave en tierra), es decir, cuando falta una pieza y la aeronave ya no puede volar, hacían toda una investigación post mortem. Pero la realidad era que cuando tienes como 300,000 SKU que necesitas tener en stock para que la aeronave vuele todo el tiempo, quiero decir, tener piezas que no están en stock, especialmente cuando tienes algunas piezas que cuestan medio millón de dólares o más por unidad, está bien no tenerlas siempre disponibles.

Entonces, lo que investigamos fue que, por ejemplo, para estos AOGs, eran exactamente como se esperaba según la estructura de riesgo de sus inventarios. Por lo tanto, no tenía sentido hacer ningún tipo de investigación. Y ese sería mi pensamiento final, que probablemente el punto de venta más difícil para la optimización estocástica es que es bastante poco impresionante. Sabes, es algo que simplemente funciona suavemente. Los problemas son mucho menos graves, los éxitos no son tan extremos pero son mucho más frecuentes.

Pero nuevamente, ¿qué recuerdas? ¿Recuerdas a un equipo de fútbol que gana consistentemente el 60-70% de sus partidos durante los últimos 30 años? ¿O recuerdas a este equipo que sigue perdiendo todos los partidos pero en una racha, ganan 10 partidos contra los equipos más prestigiosos? Obviamente, recordarías esta racha absolutamente extrema de éxitos y dirías, oh, esto fue increíble. Y olvidarías por completo el historial de seguimiento aburrido donde es simplemente excelente en promedio, pero es solo el promedio, por lo que no lo recuerdas.

Ves, esa es mi forma de ver las cosas. 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 ligeramente malas, nada, ya sabes, no vas a perderlo todo. Hay mucho control de daños en marcha.

Y así, quiero decir, lo curioso es que en Lokad, cuando discutimos con nuestros clientes, con mucha frecuencia, ellos tienen, cuando estamos en producción durante unos años, en realidad tienen poco que decir. Sabes, lo peor, quiero decir, no lo peor, pero el mejor tipo de cumplido en el otro sentido es, sabes qué, eres tan tranquilo que estamos relegando la cadena de suministro en nuestra lista de preocupaciones. Es como tener acceso a agua corriente, sabes, es tranquilo, por lo que no tienes que prestar tanta atención, simplemente funciona. Y eso está bien, sabes, eso, no somos tan buenos, sabes, obviamente, las cadenas de suministro no son tan tranquilas como el suministro de agua, aún no, pero hay esta especie de ambiente.

Conor Doherty: Bueno, gracias Joannes. Meinolf, como es costumbre, le damos la palabra final al invitado. Así que, el piso es tuyo y luego cerraremos, por favor.

Meinolf Sellman: Sí, bueno, gracias de nuevo por recibirme, Conor y Joannes. Solo para agregar a lo que Joannes estaba diciendo, con frecuencia encontramos que nuestros equipos operativos están sorprendidos y sus clientes no están sorprendidos. Y eso es exactamente lo que quieres. Los equipos operativos están sorprendidos de que de repente las cosas puedan funcionar tan bien, cuando antes siempre era, ya sabes, una vez a la semana tenías un día de infierno, y de repente, pasan dos meses y piensas, esto simplemente funciona y, ya sabes, sin locuras, nada.

Pero lo más importante es que sus clientes ya no están sorprendidos porque de repente se quedan sin un servicio o algo así. Y para eso está tu negocio, y por eso deberías estar utilizando este tipo de tecnología para gestionar tus operaciones, porque no quieres sorprender negativamente a tus clientes. Y luego puedes tomar una margarita muy aburrida en una bonita isla y disfrutar de tus rendimientos 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 verte la próxima vez.