Panel ISF2024: Planificación de la Demanda y Juicio Humano en el Mundo de la IA

00:00:00 Palabras de apertura de Robert Fildes
00:01:08 Conor Doherty presenta el panel y el tema
00:03:11 Perspectiva de Nicolas Vandeput
00:06:16 Presentación de Sven Crone
00:10:34 Perspectiva de Alexey Tikhonov
00:15:01 Necesidad de automatización en la toma de decisiones
00:20:13 Compartir información entre humanos es una pérdida de tiempo
00:25:29 Perspectiva sobre la intervención humana
00:30:23 Evaluación de un pronóstico
00:35:18 Perspectiva financiera y toma de decisiones
00:40:14 Costo de los errores de pronóstico
00:45:43 Automatización y confianza
00:50:27 IA aumentada y sus aplicaciones
00:55:03 Impacto de la IA en los traductores humanos
01:00:16 Importancia de una visión clara en la implementación de la IA
01:06:00 Reflexiones finales y futuro de los planificadores de la demanda
01:11:50 Pregunta del público: pronóstico para hospitales
01:15:38 Pregunta del público: reducción de sesgos del modelo y humano

Antecedentes del panel

El panel fue propuesto por primera vez por Robert Fildes (Profesor Emérito de la Universidad de Lancaster) en respuesta al artículo de Conor criticando FVA. Este artículo fue republicado en la edición del segundo trimestre de 2024 de Foresight (producida por el Instituto Internacional de Pronóstico, la misma organización que lleva a cabo el simposio). Posteriormente, se amplió el panel para incluir a Sven Crone, Nicolas Vandeput y Alexey Tikhonov, con el fin de proporcionar una variedad más equilibrada de perspectivas tanto de la academia como de la industria.

Resumen de la mesa redonda

Filmado en julio de 2024 en el 44º Simposio Internacional de Pronóstico en Dijon, la mesa redonda de cuatro ponentes discutió “Planificación de la Demanda y el Papel del Juicio en el Nuevo Mundo de la IA/ML”. Moderada por Conor Doherty, Jefe de Comunicación de Lokad, el panel incluyó a Alexey Tikhonov (Lokad), Sven Crone (Universidad de Lancaster y iqast) y Nicolas Vandeput (SupChains). La discusión giró en torno a la integración de la IA en la planificación de la demanda, el valor del pronóstico en la toma de decisiones y el futuro de los planificadores de la demanda. Los panelistas compartieron diferentes puntos de vista sobre el papel del juicio humano en la planificación de la demanda, el potencial de la IA para reemplazar a los planificadores de la demanda y la importancia de la precisión en el pronóstico.

Resumen extendido

El 44º Simposio Internacional de Pronóstico en Dijon, Francia, organizado por el Instituto Internacional de Pronóstico, presentó una mesa redonda sobre “Planificación de la Demanda y el Papel del Juicio en el Nuevo Mundo de la IA/ML”. La discusión fue moderada por Conor Doherty de Lokad, y los panelistas incluyeron a Alexey Tikhonov de Lokad, Sven Crone de iqast y Nicolas Vandeput de SupChains. La sesión fue presentada por Robert Fildes, Profesor Emérito de la Universidad de Lancaster.

La discusión comenzó con Nicolas Vandeput describiendo su visión de la planificación de la demanda en la era del machine learning. Propuso un proceso de cuatro pasos que incluía ver el pronóstico de la demanda como un juego de información, crear un motor de pronóstico de la demanda automatizado basado en machine learning, permitir a los planificadores de la demanda enriquecer el pronóstico con información no incluida en el modelo y hacer un seguimiento del valor agregado de todos los involucrados en el proceso.

Sven Crone compartió su experiencia en IA y pronóstico, señalando la lenta adopción de la IA en la planificación de la demanda. Discutió las complejidades de integrar la IA en los procesos de planificación de la demanda y sugirió que la IA podría reemplazar a los planificadores de la demanda en el futuro. Sin embargo, también destacó la heterogeneidad del pronóstico, con diferentes industrias que requieren enfoques diferentes.

Alexey Tikhonov argumentó que la planificación de la demanda es un enfoque obsoleto y que las intervenciones de pronóstico basadas en el juicio son inútiles. Abogó por el pronóstico probabilístico, que captura el patrón estructural del riesgo, y criticó la planificación de la demanda por su falta de perspectiva económica y automatización. También argumentó a favor de la automatización completa del proceso de toma de decisiones en las cadenas de suministro, afirmando que la complejidad y escala de las decisiones requeridas en las cadenas de suministro lo requieren.

Los panelistas también discutieron el valor del pronóstico en la toma de decisiones. Nicolas Vandeput enfatizó que los pronósticos se hacen para facilitar la toma de decisiones y abogó por modelos que puedan procesar la mayor cantidad de información posible. También sugirió que al evaluar un pronóstico, se enfocaría en la precisión del pronóstico en lugar de los resultados comerciales, ya que estos últimos pueden verse influenciados por muchos otros factores más allá del control del pronosticador.

Sven Crone discutió la perspectiva industrial de la planificación de la demanda, enfatizando la importancia de las decisiones estratégicas a largo plazo y la planificación basada en escenarios. También destacó los desafíos para medir el valor agregado y la importancia del juicio en el proceso.

Alexey Tikhonov cuestionó el valor de un pronóstico más preciso si no conduce a una decisión diferente. Argumentó que el valor de una decisión no depende únicamente del pronóstico, sino también de otros factores como los impulsores de la decisión.

Los panelistas también discutieron la confianza en los pronósticos, con Nicolas Vandeput sugiriendo que la única forma de generar confianza en un pronóstico, ya sea generado por un humano o una máquina, es hacer un seguimiento de la precisión de cada paso en el proceso. Sven Crone estuvo de acuerdo en que la confianza es importante y sugirió que se podría utilizar una combinación de IA y métodos simples y transparentes para automatizar partes del proceso.

Los panelistas también discutieron el futuro de los planificadores de la demanda. Sven Crone cree que los planificadores de la demanda seguirán teniendo un papel en el futuro, pero enfrentarán desafíos crecientes debido a la frecuencia cada vez mayor de las decisiones y la creciente cantidad de datos disponibles. Nicolas Vandeput ve que el papel de los planificadores de la demanda evoluciona para centrarse en la recopilación, estructuración y limpieza de datos e información. Alexey Tikhonov cree que los planificadores de la demanda no podrán competir con los sistemas de inteligencia a largo plazo.

El panel concluyó con una sesión de preguntas y respuestas, donde los panelistas respondieron preguntas de la audiencia sobre temas como las condiciones o requisitos para crear decisiones automáticas en la planificación de la demanda, el papel del juicio en la planificación de la demanda y cómo incorporar el sesgo del juicio humano en el sesgo estadístico para reducir el sesgo general.

Transcripción completa

Robert Fildes: Soy Robert Fildes y estoy presentando estas dos sesiones. Por razones logísticas, se han intercambiado y vamos a hablar durante la próxima hora aproximadamente sobre el cambio de rol de los planificadores de la demanda y cómo su rol podría cambiar sustancialmente debido a los avances en IA y aprendizaje automático. Los panelistas pronunciarán sus palabras de sabiduría en breve. La sesión de Paul Goodwin y yo hablando sobre mucha evidencia empírica sobre el papel del juicio se ha intercambiado para esta tarde a las 15:10. Está en el programa de todos modos. Sí, ajuste basado en juicio, hablaremos de eso, pero no en esta sala, en otra sala. Así que espero verlos entonces y espero una discusión estimulante y preferiblemente controvertida y le cedo la palabra al moderador, Conor.

Conor Doherty: Bueno, muchas gracias Robert. Hola a todos, soy Conor, jefe de comunicaciones en Lokad y me complace mucho estar acompañado en el escenario por un distinguido panel de académicos e industria. A mi izquierda inmediata, Alexey Tikhonov, desarrollador de negocios y productos en Lokad. A su izquierda, el Dr. Sven Crone de la Universidad de Lancaster, CEO y fundador de iqast y, por último pero no menos importante, Nicolas Vandeput de SubChains. Ahora, el tema de la discusión de hoy, como pueden ver espero en la pantalla, es la planificación de la demanda y el papel del juicio en el nuevo mundo de la IA y el aprendizaje automático.

Estoy bastante seguro de que, dada la gente involucrada en el escenario, esto será un intercambio animado de ideas y creo que cualquier avance en tecnología plantea preguntas sobre cómo esos avances afectarán la participación humana. Así que estoy deseando escuchar a nuestros tres panelistas discutir eso. Ahora, antes de entrar en ello, el tiempo es un recurso escaso hoy, así que un poco de administración. A cada panelista se le darán 5 minutos para presentar su perspectiva en relación con el tema. Primero será Nicolas, luego Sven y finalmente Alex.

Después de eso, haré algunas preguntas diseñadas para analizar algunos de los detalles y las implicaciones de sus perspectivas y, según cómo vaya eso, si todos seguimos hablando, espero que haya algunas preguntas de la audiencia. Lo que diré es que, por favor, si es posible, dado lo escaso del tiempo, tengan algunas ideas antes de que se les entregue el micrófono en lugar de un monólogo seguido de un signo de interrogación. Pero con eso, le cedo primero a Nicolas, por favor, su perspectiva en relación con el tema.

Nicolas Vandeput: Gracias, Conor. Hola a todos. Genial, tengo las diapositivas. Permítanme presentarles la visión que tengo para la excelencia en la planificación de la demanda en la era del aprendizaje automático y cómo básicamente pueden integrar el aprendizaje automático con el enriquecimiento humano para el pronóstico de la demanda de la cadena de suministro. Así que tienen cuatro pasos en la diapositiva. Permítanme explicarlo.

Lo primero y más importante para mí es ver el pronóstico de la demanda como un juego de información. Básicamente, lo que quieren hacer, lo que significa es que quieren recopilar la mayor cantidad de datos, información, ideas, como quieran llamarlo, sobre la demanda futura. Eso podría ser su calendario promocional, cuánta publicidad van a hacer, datos de ventas, inventario ubicado en su cliente, pedidos que ya hayan recibido de sus clientes con anticipación, todo eso. Y puede ser diferente para algunas industrias, eso está totalmente bien, pero básicamente mi punto es que el primer paso es encontrar información sobre lo que está por venir. Sean periodistas, reporteros, detectives, vayan y encuentren esta información.

Ahora, una vez que tenemos toda esta información, los datos que pueden ser estructurados deben ser alimentados al aprendizaje automático y quieren crear un motor de pronóstico de la demanda basado en el aprendizaje automático que sea automatizado y a prueba de balas. Con automatizado, quiero decir que es una herramienta, es un motor que no requiere ninguna modificación manual, revisión o ajuste por parte de los humanos. Lo hacen tal vez un equipo de ciencia de datos o se hace automáticamente, por lo que es completamente automatizado. A prueba de balas significa que su motor de aprendizaje automático debe reaccionar a la mayoría de los impulsores de su negocio, es decir, promociones, precios, faltantes de stock, tal vez publicidad, tal vez el clima, cosas así, días festivos, etc. Por lo tanto, es a prueba de balas para la mayoría de los impulsores del negocio y está completamente automatizado, no necesitan tocarlo ni revisarlo.

Una vez que tengan esto, los humanos, es decir, los planificadores de la demanda, aún pueden enriquecer el pronóstico en función de la información que encontraron y que no está incluida en este modelo. Así que imaginemos, por ejemplo, que llaman a su cliente y el cliente dice: “Bueno, es realmente un momento difícil, no haré un pedido este mes”. El cliente no llamará al modelo de aprendizaje automático, el modelo de aprendizaje automático no está al tanto de eso. El planificador sí lo está. El planificador debe revisar el pronóstico y editarlo porque sabe algo que el modelo no sabe.

Último paso, valor agregado del pronóstico. Este es un paso absolutamente crítico. Incluso comenzaría con este. Significa que debemos rastrear el valor agregado de todos en el proceso. Por lo tanto, debemos rastrear la precisión del pronóstico antes y después del enriquecimiento para asegurarnos de que con el tiempo, el enriquecimiento agregue valor. Por supuesto, todos pueden tener suerte o mala suerte en ocasiones, eso está totalmente bien. No todos los enriquecimientos agregarán valor, pero lo que queremos demostrar y mostrar con el tiempo es que en promedio, estos enriquecimientos agregan valor. Por lo tanto, vale la pena nuestro tiempo. Bueno, esa fue mi visión en cuatro pasos sobre cómo integrar el aprendizaje automático y los planificadores de la demanda.

Conor Doherty: Bueno, muchas gracias, Nicolas. Ahora le cedo la palabra a Sven.

Sven Crone: Gracias. Sí, gracias. Soy Sven Crone de la Universidad de Lancaster, profesor asistente allí con probablemente casi dos décadas de investigación en IA y pronósticos. Así que estoy completamente sesgado hacia la IA, tengo que decirlo desde el principio. He estado tratando de hacer que la IA funcione en los pronósticos durante muchos, muchos años. Así que solo para que estén conscientes del sesgo fundamental. Al mismo tiempo, creamos una pequeña empresa donde hemos estado tratando de ayudar a grandes empresas multinacionales a aprovechar nuevas tecnologías y al mirar hacia atrás en esas décadas, es extremadamente difícil. Creo que hoy tenemos que abordar, espero en el panel, algunos elefantes en la habitación.

Si bien la visión ha estado presente durante muchos años, podemos reemplazar la estadística con IA, podemos reemplazar eso con estadística. En realidad, no hemos sido terriblemente transformadores cuando se trata de analizar los procesos de planificación de la demanda, creo. Ese es mi sesgo fundamental. Cuando estamos mirando esto, parte de la experiencia que puedo compartir es que hemos capacitado a muchos planificadores de la demanda para que aprecien algunos de los algoritmos de suavizado exponencial y algoritmos ARIMA que existen. Les puedo decir que no es un ejercicio agradable. Son lentos para adoptar algunas de estas tecnologías. Es un ejercicio agradable con la demanda, pero es muy difícil hacer que acepten algunas de las tecnologías más simples. Así que creo que más adelante hablaremos un poco sobre qué sucede si esa tecnología se vuelve aún más avanzada y las personas tienen que interactuar con ella.

Pero en el estado actual, hace aproximadamente 10 años, había un uso muy limitado de la IA, aunque las redes neuronales han existido durante la mayor parte de 60 años, retrocediendo ciertamente a algunas de las primeras innovaciones, ciertamente en la década de 1980. Pero la adopción ha sido comparativamente lenta. En los últimos dos o tres años, regularmente realizamos encuestas en conferencias de profesionales. Acabamos de hablar en una conferencia de profesionales, la ASM, juntos en Bruselas y realizamos una encuesta entre la audiencia. Preguntamos cuántas personas están realmente en vivo con una prueba de concepto en IA y ML y aproximadamente el 50% de la audiencia estaba allí. Eso es un aumento del 5 al 10% hace 10 años. Ahora el 50% está haciendo una prueba de concepto. Aún no están en producción, pero ya hay bastantes que están en producción y ya vimos algunas grandes empresas aquí que están probando esto. Así que no hay temores en la audiencia y algunos otros, casos de estudio realmente interesantes. Pero lo que también es llamativo es que tantos proyectos tienen éxito como fracasan.

Así que tuvimos una gran cantidad en la audiencia donde los proyectos de IA no tuvieron éxito y creo que es precisamente esa intersección entre incorporar una tecnología en un proceso de planificación de la demanda que es mucho más que solo el paso de pronóstico. Si miramos a la industria, tenemos que mirar la gestión de datos maestros, la limpieza de datos, la priorización, las métricas de error, ejecutar un modelo estadístico, luego analizar los errores, identificar alertas y luego hacer ajustes a eso. Y por cierto, incluso si tienes un proceso de pronóstico de línea de base estadístico completo, que incluso hoy en día la mayoría de las empresas no tienen, Gartner tiene un hermoso panorama de madurez de los diferentes niveles de madurez de S&OP.

Muy pocas empresas están en el nivel cuatro, la mayoría de ellas están entre el uno, dos y tres. Incluso si tienes un proceso estadístico, cómo limpiar el historial de series de tiempo automáticamente o manualmente, eso es una decisión basada en juicio. Qué algoritmo elegir es una decisión. Qué metaparámetros permitirle buscar es una decisión basada en juicio. Así que hay mucho juicio, pero creo que tradicionalmente pensamos en el juicio, el ajuste final de un pronóstico de línea de base estadístico que se entiende o no se entiende. Y tal vez mirando hacia el futuro, no he visto mucho movimiento o innovación cuando se trata de innovar el proceso de S&OP tal como fue diseñado por O.W. y veo a los ejecutivos muy descontentos con la falta de progreso, la falta de progreso percibida, aunque a menudo hay progreso en el desarrollo de los procesos.

Pero, sabes, creo que hubo un CEO de Unilever que dijo que tenemos que deshacernos de la planificación de la demanda, no funciona durante los tiempos de COVID. Algunos desafíos reales por delante para los planificadores de la demanda para mantener sus empleos y a menos que aprovechen la IA y creo que hay un escenario realista en el que la IA, como dijiste, si logras hacer todo esto, la IA podrá reemplazar a los planificadores de la demanda incluso en los pasos de ajuste basados en juicio. Pero aún no hemos llegado allí. Así que espero ver cuáles son tus opiniones.

Conor Doherty: Bueno, gracias, Sven. Alexey, tus pensamientos, por favor.

Alexey Tikhonov: Gracias. Mi propuesta será radicalmente diferente. Creo que primero necesitamos ampliar el alcance porque la planificación de la demanda existe en la cadena de suministro y el objetivo de la cadena de suministro es tomar decisiones bajo incertidumbre, tomar decisiones rentables bajo incertidumbre, bajo la presencia de restricciones. En cuanto a este objetivo, mi opinión es que la planificación de la demanda es un enfoque obsoleto y las intervenciones de pronóstico basadas en juicio son inútiles, incluso si ayudan a mejorar ligeramente la precisión del pronóstico. ¿Por qué es eso?

La planificación de la demanda es un enfoque obsoleto porque presume que necesitamos separar el pronóstico y la toma de decisiones. Esta separación inevitablemente conduce a la elección de herramientas simples porque introducimos una interfaz de humano a humano. Tenemos que transmitir información de una manera muy simple y elegimos pronósticos puntuales porque todos pueden entender pronósticos puntuales. Los cálculos de las métricas de precisión son simples, por lo que podemos discutir sobre esos puntos, podemos ajustarlos hacia arriba o hacia abajo. Pero desafortunadamente, esta elección de herramientas nos impide tomar decisiones rentables.

Para tomar una decisión rentable, necesitamos evaluar los riesgos financieros y los rendimientos financieros. Solo podemos hacer eso si capturamos el patrón estructural del riesgo. Solo hay una herramienta, que yo sepa, que hace eso. Se llama pronóstico probabilístico, donde en lugar de predicciones de un solo punto, presentas una opinión fundamentada sobre cómo se ven todos los futuros posibles, cuáles son las probabilidades para diferentes futuros.

No estoy hablando solo de la demanda. Hay otras incertidumbres, por ejemplo, puede haber incertidumbres de tiempo de entrega que necesitas tener en cuenta. Esto es especialmente relevante si estás lidiando con productos enviados desde el extranjero. Luego puedes tener incertidumbre en el rendimiento si estás lidiando con la producción de alimentos. Puedes tener incertidumbre en las devoluciones si estás lidiando con el comercio electrónico. Entonces hay múltiples fuentes de incertidumbre y necesitas herramientas específicas llamadas modelado probabilístico para combinar todas esas incertidumbres y poder derivar decisiones en las etapas posteriores.

La planificación de la demanda nos ofrece solo una versión del futuro que es una predicción de un solo punto, que es el escenario más probable. Pero estamos interesados en las colas de esta distribución porque los riesgos se concentran en dos extremos. Entonces, la perspectiva de la planificación de la demanda inevitablemente nos lleva a considerar solo una opción de decisión. Tienes un pronóstico de un solo punto, aplicas una fórmula de existencias de seguridad o una política de inventario simple, derivas una decisión. Pero ¿es rentable esta decisión? ¿Qué pasa si la cambio hacia arriba o hacia abajo? ¿Cómo cambia mi rentabilidad esperada? No puedo hacer eso porque mis predicciones son predicciones de un solo punto. No indico ninguna probabilidad sobre esos escenarios.

El tercer problema con la planificación de la demanda es que la perspectiva económica está completamente ausente. Estamos hablando de precisión de pronóstico en porcentajes o si usamos varias métricas que tratan con precisión en unidades, nos falta la perspectiva financiera. Entonces lo que necesitamos es estimar el costo esperado, las recompensas esperadas y también necesitamos estimar impulsores secundarios como cómo comparamos las decisiones de inventario para diferentes productos. Todo minorista sabe, por ejemplo, que tener pañales en stock es mucho más importante que tener chocolate premium porque si no tienes el primer producto, tus clientes estarán decepcionados, perderás la lealtad del cliente.

La planificación de la demanda nos impide una automatización extensiva. ¿Qué vamos a automatizar? Vamos a automatizar la producción de las decisiones finales, no solo el pronóstico. Necesitamos automatizar todo el proceso. Necesitamos convertir nuestros datos transaccionales en decisiones accionables que ya respeten todas las restricciones de decisión, como las cantidades mínimas de pedido (MOQ) y otros impulsores de decisión, como los descuentos por volumen.

Y por último, pero no menos importante, tiene que haber responsabilidad. Actualmente, no hay responsabilidad sobre las decisiones finales porque tenemos este proceso de transición del pronóstico a un equipo diferente y luego derivan la decisión y luego hay un juego de culpas. “Oh, tomamos esta decisión porque tu pronóstico fue inexacto o hubo un aumento subjetivo del pronóstico y eso nos llevó a una decisión incorrecta”.

Entonces, para resumir, la perspectiva de la planificación de la demanda está obsoleta y tenemos algo mejor. Gracias.

Conor Doherty: Bueno, hoy vamos a estar de acuerdo, pero no en todo. ¿Puedo responder a eso porque creo que estoy completamente de acuerdo contigo en algunos aspectos? Creo que mencionaste la predicción de un solo punto versus el intervalo o la distribución de probabilidad, de acuerdo, ¿verdad? Pero hay muchos paquetes de software que han estado haciendo eso durante muchos años pero los profesionales lo ignoran. Pero creo que todos entendemos el valor de comunicar no solo el valor de la demanda sino también el riesgo asociado con ella.

SAS ha estado haciendo esto durante mucho tiempo, Forecast Pro ha estado haciendo eso e incluso Forecast X ha estado haciendo eso, pero se ignora ampliamente. Entonces, ¿por qué se ignora? Probablemente deberíamos hablar sobre por qué los planificadores de la demanda no entienden los pronósticos de intervalo. Eso sería interesante. La otra cosa que mencionaste, que también creo que es un buen punto, es que a menudo hay una desconexión entre la planificación de la demanda y la planificación de inventario, la planificación de la red de suministro, la planificación de la producción, lo cual sería beneficioso para derivar una solución holística.

Pero si estás pensando en grandes empresas multinacionales, creo que los procesos están establecidos de manera que realmente tomas decisiones sobre decenas de miles de empleados que intervienen y no comparten libremente su conocimiento. Y la tercera cosa, creo que tenemos que pensar en lo que consideramos. Creo que todos tenemos diferentes antecedentes al mirar la planificación de la demanda. Yo vengo de multinacionales de la industria, sabes, tal vez compañías de transporte multinacionales, consumidores de rápido movimiento, farmacéuticas. Probablemente tú tengas más una visión y experiencia en el comercio minorista donde estas cosas se pueden agrupar.

Pero lo que vemos, quiero decir, hay libros muy buenos de Charlie Chase de SAS. Creo que ha escrito sobre la planificación de la cadena de suministro impulsada por la demanda. Se trata de la reconciliación de la oferta y la demanda. Es tanto un proceso para compartir información y expectativas como para la gestión de riesgos, exactamente la gestión de riesgos a largo plazo en S&OP, mirando aproximadamente de 6 a 18 meses en el futuro. S&OE mira de 1 a 4 meses en el futuro y es ese intercambio de información lo que también puede ser invaluable, independientemente de cuál sea el pronóstico final de un solo número.

Así que no estoy en desacuerdo en que tenemos que avanzar mucho en cuanto a la integración de la toma de decisiones. Pero creo que la planificación de la demanda sirve para más de un propósito. Pero creo que, por el interés de las cosas, hoy estamos hablando de automatización. Tal vez la IA se utiliza en el contexto de la automatización y estamos buscando principalmente la precisión. Pero muy pocas personas realmente se enfocan en el intercambio de información. Hay algunos artículos interesantes sobre la robustez de los pronósticos. Quiero decir, ¿qué sucede si cambias tu pronóstico todo el tiempo con un modelo de aprendizaje automático muy reactivo y la planificación de la producción se vuelve loca porque lo suman durante el tiempo de espera y obtienes exceso o falta de stock e introduces órdenes de producción?

Así que creo que si podemos centrarnos tal vez en el proceso de planificación de la demanda y la contribución de la predicción en la planificación de la demanda porque las otras cosas son la planificación de la oferta y la planificación de la red, la planificación de la producción. Pero eso va a dificultar nuestra discusión. Pero estoy completamente de acuerdo contigo en que eso sería algo importante.

Alexey Tikhonov: Tal vez con un breve comentario. Sí, mi opinión no era que necesitamos un mejor intercambio de información, un mejor pronóstico. Mi opinión es que necesitamos automatizar completamente la toma de decisiones. No debemos permitir que los profesionales de la cadena de suministro participen en el proceso de pronóstico porque las cadenas de suministro son inmensamente complejas. Estamos hablando de empresas como, incluso si tomamos empresas de tamaño mediano con una facturación de 100 millones, en el comercio minorista tendrán decenas de miles de SKU, cientos de tiendas. Multiplicas uno por otro y para cada ubicación de SKU, tienes que tomar una decisión diaria.

Incluso si tienes ciclos de decisión predefinidos como “tomo esta decisión una vez a la semana”, es mejor volver a calcular esas decisiones diariamente. ¿Por qué? Porque el ancho de banda humano es limitado. Necesitas una computadora que esté verificando como, “Ok, si hay un pico de demanda, es mejor que lo sepa antes de mi ciclo de decisión habitual porque espero que la demanda sea más estable”. Entonces necesitas reproducir esas decisiones diariamente aunque la gran mayoría de esas decisiones sean decisiones triviales que son “no vamos a hacer una compra hoy”.

El ancho de banda humano es muy limitado y cuando hablamos de compartir información entre humanos, estamos perdiendo tiempo. Necesitamos automatizar tanto como sea posible. Necesitamos ser capitalistas. Necesitamos construir activos, robots de toma de decisiones. Solo así podemos obtener rentabilidad de las cadenas de suministro.

Nicolas Vandeput: ¿Te importaría volver a mi diapositiva por un momento? Me gustaría estructurar eso. Así que comenzaré desde mi marco y me gustaría llevarlo aún más lejos para continuar la discusión desde allí. Entonces creo que todos estamos de acuerdo en que solo hacemos pronósticos porque queremos tomar grandes decisiones. Y diríamos, bueno, tal vez este tipo de pronóstico sería mejor, este tipo de pronóstico, esta granularidad, este horizonte, pronóstico puntual, y así sucesivamente. Pero todos estamos de acuerdo en que hacemos pronósticos porque en algún momento necesitamos tomar una decisión.

Ahora, ¿por qué estamos tan inclinados hacia la automatización, todos nosotros aquí? Es porque tenemos que hacer tantos pronósticos y tantas decisiones a gran escala y no queremos variabilidad. Si tienes un humano, tienes un problema de variabilidad. Tienes un problema de que hay tantos pronósticos y decisiones que tomar, y así sucesivamente. Ahora, la forma en que veo los pronósticos, nuevamente, es solo sobre cuánta información puedes procesar y qué tan bueno eres procesando esta información. Entonces quiero tener un modelo que sea lo mejor posible para lidiar con la mayor cantidad de información posible.

La tecnología que tenemos podría cambiar en 10 años. Podríamos tener un solo modelo que pueda manejar toda la información disponible en el mundo. Tomemos un ejemplo muy simple, la pandemia de COVID-19. Imaginemos que es mediados de marzo de 2020. Si tienes un motor de pronóstico, incluso con la mejor tecnología de aprendizaje que tenemos hoy, sabes como humano que el COVID va a llegar y el estado del mundo y la ciudad cambiarán en las próximas semanas. Tu modelo no es consciente de eso.

Ahora, podrías tener un pronóstico puntual, podrías tener un pronóstico probabilístico, pero tú como humano aún necesitas enriquecer y revisar eso porque tienes acceso a información a la que tu modelo no tiene acceso. Entonces, para mí, la discusión de si debería ser un pronóstico puntual no tiene interés en esta discusión porque la conclusión sigue siendo la misma. Se trata de cuánta información puedes alimentar a tu modelo tanto como sea posible.

Y si no puedes alimentar cierta información a tu modelo, entonces es hora de que un humano enriquezca eso. Y es por eso que siempre tiene sentido tener un último humano que pueda revisar alguna decisión o algún pronóstico basado en alguna información que el modelo no puede procesar.

Sven Crone: Creo que estamos hablando de diferentes industrias aquí. Cuando hablamos de planificación de la demanda, estoy completamente de acuerdo en que si estás en el espacio minorista y tienes decenas de miles de decisiones que tomar a diario, entonces necesitas un grado significativo de automatización.

Pero hemos trabajado con minoristas en el Reino Unido de manera bastante extensa durante algún tiempo y incluso allí se hacen ajustes en los surtidos para cosas donde la incertidumbre es la regla, como los efectos del clima extremo o el efecto de los cierres de COVID en el gel de ducha versus el papel higiénico en Alemania.

Pero si estás mirando a un fabricante farmacéutico, por ejemplo, que tiene tal vez dos a 400 productos principales, son bastante manejables por un humano. Quiero decir, ¿por qué todas estas empresas siguen adelante? Hicimos encuestas y aproximadamente el 50% de las empresas utilizan medidas estadísticas muy simples. Siguen adelante, son rentables, están creciendo, son ágiles en su cadena de suministro, tienen todo el S&OP incorporado.

Así que hay todo un espectro de problemas que tenemos y creo que eso es una de las cosas que siempre me encanta de esta conferencia. Todos estos diferentes sabores de pronóstico se juntan. Tenemos personas que nos muestran la carga eléctrica para los medidores inteligentes. Sí, tienes cientos de miles de medidores inteligentes con pronósticos minuto a minuto, no hay intervención humana factible.

Pero si tienes muy pocos artículos importantes con los que te familiarizas muy bien, digamos en una empresa farmacéutica, sabes que hemos analizado las vacunas, por ejemplo, que se entienden bien. Así que hay diferentes sabores de planificación de la demanda.

Lo que estamos haciendo en el pronóstico es tan heterogéneo como los productos y los mercados, y esa es la belleza de ello. Por eso todos nos sentamos en el bar y hablamos de pronósticos, hablamos de cosas completamente diferentes. Pero estoy completamente de acuerdo contigo, así que si hablamos del espacio minorista, estoy seguro de que la automatización es factible.

Acordamos estar en desacuerdo de que el mundo es lo suficientemente grande como para todos los diferentes paquetes de software, así como para tener soluciones especializadas. Es por eso que grandes empresas como SAP tienen soluciones especializadas para minoristas y funcionan de manera diferente que para bienes de consumo y productos farmacéuticos en la industria o en otras áreas. Así que creo que estamos de acuerdo, solo que desde diferentes puntos de vista.

Conor Doherty: Alex, ¿deseas comentar?

Alexey Tikhonov: Solo un pequeño comentario. No puedo estar de acuerdo con la proposición de que las personas necesitan intervenir en el proceso de pronóstico. Donde las personas pueden agregar valor, pueden agregar valor en las entradas de este motor de decisiones para aclarar la semántica de los datos, para aportar más datos, para explicar al ingeniero que está diseñando todos esos algoritmos o motor de decisiones cómo se utilizan los datos en el negocio para que tenga una mejor comprensión del panorama.

Y luego pueden agregar valor al final, revisando las decisiones que el motor de decisiones está generando y descubrir esas decisiones insensatas o inexactas en su opinión y luego revisar esta receta numérica para descubrir qué está mal. ¿Cuáles son las suposiciones que están equivocadas? ¿Por qué está tomando la decisión equivocada? Porque si intervienen en el medio, tocan el pronóstico o anulan la decisión, esto es como consumir recursos en lugar de invertirlos. Primero y ante todo, debes buscar las formas de mejorar esta robotización porque si lo haces manualmente, estás perdiendo tiempo.

Y debes comenzar desde las decisiones, por cierto, no desde el pronóstico. Porque ¿qué pasa si tengo una cantidad mínima de pedido (MOQ) de 100 unidades y vienes y me dices: “Oh, ahora tengo un mejor pronóstico. En lugar de 50 unidades de demanda, hay 55”. Bueno, todavía tengo un MOQ, así que desde mi perspectiva, ambos pronósticos son irrelevantes a pesar de que sí, uno es más preciso. Sigo tomando la misma decisión y el hecho de que hayas invertido más recursos en producir un pronóstico potencialmente más preciso y computacionalmente más caro. Así que lograste una mayor precisión en el pronóstico, pero en general estamos en una situación negativa porque seguimos tomando la misma decisión mientras invertimos más recursos.

Así que por eso estoy en contra de tocar los pasos del proceso manualmente. Revisar toda la receta para mejorar la automatización y hacerla más robusta, confiable y sensata.

Sven Crone: Es una lástima que no hayamos tenido la discusión de Robert y Paul antes, que probablemente estuvieron viendo el valor agregado del pronóstico porque tenemos mucha evidencia de que, además de los métodos estadísticos avanzados, el juicio puede agregar un valor significativo.

Y creo que la pregunta que se planteó aquí hoy es si el aprendizaje automático puede superar el valor agregado de las estadísticas y el juicio, o si es lo mismo. Y luego creo que la pregunta sobre el costo total de propiedad es buena, ¿cuál es más eficiente?

Estoy bastante seguro de que Nicolas tiene muchos ejemplos que mencionaste antes o que informaste, donde en realidad estás automatizando todo y está agregando más valor que hacer ajustes basados en el juicio. Pero pasemos a la siguiente pregunta, tal vez.

Conor Doherty: Bueno, en realidad es más bien una transición, que sigue siendo una especie de transición. Es avanzar hacia lo que creo que es la pregunta fundamental porque al escucharte, hay casi un desacuerdo instrumental pero hay un acuerdo general.

Y en realidad voy a dirigirme a ti, Nicolas, primero. Algo que dijiste antes, dijiste, y nuevamente perdóname si parafraseo, estoy parafraseando, usamos el pronóstico para tomar mejores decisiones. Eso significa que el pronóstico es instrumental en un proceso más amplio, lo que plantea la pregunta, ¿dónde reside el valor?

Porque si estás usando el pronóstico como una herramienta para lograr algo más grande, ¿dónde está el valor? ¿Está en la herramienta que construye la casa o está en la estructura de la casa? La casa sería la decisión en esa analogía.

Nicolas Vandeput: Creo que tienes dos preguntas importantes con el pronóstico. La primera pregunta es si tu pronóstico es preciso o no. Y nuevamente, podríamos debatir cómo se mide la precisión, debates muy interesantes, no es el punto hoy. Solo imaginemos que el primer paso es evaluar qué tan preciso o bueno es.

La segunda pregunta es, bueno, en función de un pronóstico dado, ¿qué tan bueno es tu empresa para tomar la decisión correcta? Ahora, desafortunadamente, el equipo que realiza esto son equipos diferentes con diferentes entradas, salidas y KPI diferentes.

No culparía a los pronosticadores o a las personas que hacen el motor de pronóstico por las malas decisiones o por los KPI relacionados con las decisiones desde el punto de vista de la cadena de suministro, porque no tienen ninguna acción sobre eso. Al mismo tiempo, podrías tener un pronóstico muy malo y tener al tomador de decisiones que tuvo suerte o que es extremadamente bueno tomando buenas decisiones a pesar de un mal pronóstico.

Entonces podrías obtener algunos KPIs empresariales muy buenos. Nuevamente, podríamos discutir qué KPI es relevante o no, pero podríamos tenerlo en ambas direcciones. Así que para mí, cuando quiero evaluar un pronóstico, no me fijaría en el resultado empresarial. Solo me fijaría en la precisión del pronóstico porque sé que el resultado empresarial puede ser impulsado por muchas otras cosas que están totalmente fuera del alcance de quien realiza el pronóstico, ya sea una máquina o una persona.

Ahora, lo que es muy interesante, y lo he simulado para algunos clientes, es que dependiendo de la calidad de tu pronóstico, nuevamente podríamos debatir cómo medir la precisión, pero dependiendo de eso y especialmente dependiendo del sesgo, por ejemplo, si tienes un sesgo muy positivo, subestimación o si tienes una herramienta que está correctamente calibrada, espero que sí, el motor de optimización de la cadena de suministro resultante podría adoptar políticas muy diferentes.

Entonces, la política óptima o la forma óptima de tomar decisiones podría cambiar dependiendo de la calidad del pronóstico. Esto también significa que si hoy pasas de un pronóstico que sobreestima todo porque tu proceso está tan políticamente sesgado a un pronóstico hecho con aprendizaje automático, también necesitas revisar cómo se toman las decisiones de tu cadena de suministro.

Las personas confían en la herramienta del proceso. Históricamente, el pronóstico siempre fue un 30% demasiado alto. Entonces, si cambias eso ahora, también necesitas cambiar el proceso de suministro. Ambos deben integrarse. Pero desde el punto de vista de la cadena de suministro, evaluaría los KPI de manera independiente tanto como pueda.

Conor Doherty: Gracias. Sven, ¿qué opinas? Solo para reiterar la pregunta nuevamente, si el pronóstico es una herramienta para lograr algo más, ¿dónde asignas valor? ¿Está en la calidad de la decisión o en la calidad del pronóstico? Define eso como quieras.

Sven Crone: Creo que ya hemos tocado ese tema. Para mí, la planificación de la demanda, o siguiendo la definición de Gartner de planificación de la demanda y el proceso de Oliver Wight, lo estamos viendo desde un punto de vista industrial. Tomemos como ejemplo las industrias farmacéuticas, las industrias de consumo, normalmente están mirando horizontes mucho más largos de lo que estás mirando. Están mirando, digamos, de 6 a 18 meses en el futuro. Las decisiones costosas son las estratégicas. Identificas planes a largo plazo, identificas pronósticos, realizas actividades de cierre de brechas, intentas conciliar la oferta y la demanda en un horizonte mucho más largo. No tienes información promocional, no tienes información meteorológica, no tienes información sobre disrupciones. Así que esto se adentra mucho en la planificación basada en escenarios y en la planificación de extremo a extremo de escenarios que deben materializarse en algunas posiciones de inventario.

Pero eso es una posición a largo plazo. Si lo miras, creo que la mayoría de la industria todavía tiene un período congelado de tres meses. Quiero decir, eso es lo que estamos mirando fuera de ese marco de tiempo. Por otro lado, S&OE, que recientemente ha sido adoptado por Gartner, lo ve de manera muy diferente. Entonces, para el horizonte a largo plazo, creo que la transparencia, la comunicación, son cosas importantes para prepararse para, ya sabes, cambios en los presupuestos, realineación de presupuestos, conciliación de volumen y valor. Es un proceso muy agregado. Estás mirando niveles altos de la jerarquía, estás mirando mercados, estás mirando canales, pero no estás mirando productos individuales.

Luego estás en el trabajo diario y eso es S&OE. En S&OE, estoy de acuerdo, tienes decisiones automatizadas, decisiones estandarizadas, la precisión es algo importante, la transparencia sigue siendo importante, lo cual a menudo se pasa por alto, o la robustez. Pero creo que el 85% de todas las presentaciones en esta conferencia hablan de precisión. Hay toda una sesión sobre robustez, lo cual es bueno ver. Pero creo que la innovación más importante para medir todo el proceso es el valor agregado de la previsión. Eso es realmente tomar los componentes individuales y ver cómo agregan valor. Esa es una visión muy enfocada en la gestión porque quieres invertir recursos donde agregas valor.

Desafortunadamente, no abarca cosas como la gestión de datos maestros. Es difícil medir eso. No abarca cosas como la limpieza de datos, que creo que es fundamental para poder hacer algo en la previsión estadística. Y mira hacia el final de esto hacia lo humano. Pero tenemos dificultades para medir el valor agregado porque, como la precisión de la previsión, típicamente ponderada por costo y volumen solo para ver en conjunto, ¿están tomando las mejores decisiones con métricas de error que los académicos no tocarían? Pero lo que realmente están mirando es cuál es el valor agregado. Pero tenemos muchos planificadores de demanda que realmente eligen un algoritmo estadístico en la herramienta. Pueden sobrescribir la elección, pero ese valor se atribuye al algoritmo estadístico. Así que creo que hay mucho valor en el juicio hoy en día y se puede medir. Y creo que la mayoría de las empresas han adoptado eso y el valor agregado es una buena herramienta para eso. Y nuevamente, estoy mirando a largo plazo y mucho menos a corto plazo, donde el rendimiento del inventario debería estar vinculado, y así sucesivamente.

Conor Doherty: De acuerdo, gracias.

Alexey Tikhonov: Creo que cuando hablamos de cambios en la precisión de la previsión, mejoras potenciales, y nos referimos al proceso de valor agregado de la previsión, estamos confundidos en los términos porque el mejor nombre sería precisión de la previsión agregada, no valor. Porque el valor, cuando hablamos de valor, para mí, inmediatamente desencadena una perspectiva financiera. Y la perspectiva financiera está impulsada por decisiones. Los resultados de tu negocio dependen únicamente de las decisiones que tomes y de qué tan bien las ejecutes. Entonces, no hay nada más involucrado en esta perspectiva, solo decisiones y qué tan bien las ejecutas.

Cuando consideramos decisiones, como por ejemplo, tengo una previsión número uno, me lleva a tomar la decisión A y la previsión número dos es más precisa. Sé aproximadamente cuánto, conozco la diferencia de precisión. Pero la pregunta es, ¿esta previsión más precisa y diferente me lleva a una decisión diferente? Si no es así, entonces es inútil, a pesar de ser más precisa. Entonces, a pesar de un mejor valor aparente, tenemos un resultado neto negativo desde la perspectiva financiera. Y luego, si la decisión es diferente, ¿cómo evaluamos que esta discrepancia de decisión, como el cambio, como cambiar de la decisión A a la decisión B, cuánta ganancia adicional obtenemos en comparación con la diferencia en la inversión de recursos? Para mí, es una pregunta abierta. Podemos usar ambos modelos de previsión para evaluar los rendimientos potenciales de ambas decisiones, pero aún es una cuestión de especulación porque no tenemos dos universos alternativos para probar dos decisiones. Finalmente, tenemos que elegir solo una.

Y aún más, el valor de la decisión no depende únicamente de la previsión en sí. Hay otras consideraciones como los impulsores de la decisión. Por ejemplo, trabajamos con Air France, su división de MRO para repuestos de aviones. Y recientemente, hemos implementado un motor de decisión con ellos y recientemente hubo una gran compra desencadenada por un robot que compró varias docenas, creo, de unidades de energía auxiliares para una aeronave que en total suman varios millones de euros, desencadenada por un robot. Y la gente decía: “Oh, debe ser un error”. Pero cuando comenzaron a inspeccionar, resultó que alguien en el otro lado cometió un error y estableció el precio bastante más bajo que el precio promedio en el mercado. Y el robot se dio cuenta de eso e inmediatamente implementó órdenes de ejecución. No tiene nada que ver con la precisión de la previsión, pero esta decisión tiene un valor enorme.

Entonces, ves, nos estamos enfocando en la precisión de la previsión, pero hay muchas otras cosas que pueden influir en el valor de la decisión. Así que creo que cuando hablamos de valor monetario, no solo debemos centrarnos en la previsión. Debemos analizar todo el proceso de cómo estamos tomando decisiones, qué se tiene en cuenta, cuál es nuestro proceso de decisión, qué cosas son importantes, qué cosas son de menor importancia.

Sven Crone: Solo para agregar, estoy de acuerdo, y mencionaste eso antes en la primera ronda, que debería haber una decisión de inventario y luego evaluarla en las decisiones de inventario. Y creo que, para ser justos, en el ámbito académico, la mayoría de las personas tienen, o toda la gama de revistas ha adoptado esto como buena práctica o como práctica mínima. Entonces, si observas las revistas en economía de producción y ISER, la sociedad de inventario, eso es una buena práctica. Verás bastantes presentaciones de académicos aquí que realmente miden el costo de la decisión en curvas de compensación entre el nivel de servicio y los tiempos de entrega y realmente dan el costo de inventario asociado. Eso es algo que no veo en la práctica en absoluto.

Es muy difícil de hacer en la práctica, es difícil hacerlo, pero es posible. Por supuesto, tienes que hacer suposiciones. La cadena de suministro es compleja, pero estoy completamente de acuerdo contigo. El costo de la decisión debería ser bueno. Pero eso se remonta a Granger 1969, funciones de pérdida asimétricas. Por lo general, no tenemos el costo de la decisión, por lo que tenemos que hacer, tenemos que asumir algo. Lo que veo como una gran brecha, y tal vez una omisión, es que esta comunidad no ha logrado establecer el vínculo entre la precisión de la previsión, sin importar cómo se mida, y el costo de la decisión asociado.

De hecho, tuvimos un proyecto de investigación. Hay muy pocas empresas, Johnson and Johnson lo ha publicado en el pasado. Entonces, un punto porcentual en la precisión de la previsión, por lo general es un MAPE ponderado por costos, equivale a 8 millones de dólares estadounidenses en inventario de productos terminados y costos de producción acelerada en centros de distribución, y así sucesivamente. Así que tenían toda una línea de cómo establecieron esto. Recientemente presentamos algo donde hicimos una simulación bottom-up con TESA. Hay algunas calculadoras en la web en las que no confío del todo, pero creo que eso es algo importante, que los errores de previsión son costosos, puramente desde la decisión sobre los stocks de seguridad y el inventario en el siguiente paso inmediato, ni siquiera llegando a la planificación de la producción y la obtención de materias primas y las decisiones a largo plazo.

Así que creo que eso es una omisión real. Por eso creo que los equipos de planificación de la demanda en las empresas todavía son demasiado pequeños. Si supieran lo costosas que son sus decisiones, lo valiosa que es la previsión, veríamos muchos más recursos allí. Pero, y por cierto, TESA, fue aproximadamente, por supuesto, depende del tamaño de la empresa, fue, no se nos permite decir el número, es un Bugatti Veyron. Los Bugatti Veyron tienen un precio bastante rígido, así que son 1,5 millones por cada punto porcentual de precisión en el inventario, traducciones directas. Y ahora estamos trabajando con algunas otras empresas para establecer esto, dadas las modelos de inventario inferiores. Pero esto es algo realmente importante. Estás resolviendo el problema directamente y les muestras el costo de la decisión. Pero cuando el proceso está desacoplado, aún puedes hacer eso. Y creo que eso es lo que falta. Pero estoy completamente de acuerdo. El costo del inventario o de la decisión sería ideal. El inventario es un vínculo directo que se puede hacer y se debe hacer, y los académicos lo están haciendo.

Conor Doherty: Quiero avanzar y unir algunos puntos que se han planteado, especialmente en torno a las suposiciones. Quiero decir, las suposiciones, si eso es una suposición de un planificador de la demanda como, “Oh, esto está mal, necesito hacer una corrección manual”, eso es una suposición. Una suposición se incluye en la construcción de una previsión o un modelo automatizado. Entonces, quiero decir, estas son distinciones. Rosas con cualquier otro nombre, pero mi pregunta es, ¿es razonable esperar que la dirección, las personas sin formación en las cosas de las que estamos hablando hoy, tengan el mismo nivel de confianza en la automatización, como una previsión generada automáticamente, en comparación con una previsión que ha pasado por tu escritorio, por ejemplo? Y lo siento, o por el escritorio de Nicolas, o de Alex.

Nicolas Vandeput: Si no te importa volver a mi diapositiva, la pregunta más común, si la resumo en pocas palabras, es “¿Cómo puedo confiar en el aprendizaje automático?” Y podrías cambiar el aprendizaje automático por herramientas estadísticas. Me gusta cambiar esta pregunta por “Sí, pero ¿cómo confías en los humanos?” Porque la gente dice, “De acuerdo, Nicolas, ¿cómo puedo confiar en ti? ¿Cómo puedo confiar en tu aprendizaje automático?” Y yo digo, “¿Cómo puedes confiar en tu equipo?” Y eso, creo, es la verdadera pregunta. Y hay solo una forma de rastrear eso y responder a eso. Se llama valor añadido de la previsión. Y la idea es realmente, intentaré explicarlo en pocas frases de nuevo. Quieres rastrear la precisión de cada paso en tu proceso. Eso puede ser un humano, puede ser una máquina, puede ser información de tu cliente, la previsión que viene de tu cliente. Cada paso, vas a rastrear la precisión antes del paso y la precisión después del paso.

A medida que haces eso, y también aconsejaría que compares la precisión general de tu proceso con un punto de referencia estadístico, que podría ser cualquier modelo simple que puedas encontrar de forma gratuita. A medida que haces eso durante semanas, meses, días, según tu horizonte, realmente puedes demostrar que alguna parte de tu proceso, ya sea humano o máquinas, está agregando valor y es precisa. Esta es la única forma de hacerlo. E incluso iría tan lejos como para decir que si no lo haces, es como si no tuvieras las luces encendidas en la habitación. Estás en la oscuridad. No tienes ni idea.

Y cuando me contactan empresas que quieren llevar a cabo proyectos de mejora de la planificación de la demanda, la primera pregunta es: “¿Haces un seguimiento del valor agregado de la previsión?” Porque si no lo haces, no hay forma de saber si mi modelo está agregando valor y si lo estamos haciendo bien o mal. Así que este es el primer paso para responder a la pregunta: “¿Cómo sabes si puedes confiar en el aprendizaje automático?” Es la misma pregunta que: “¿Cómo sabes si puedes confiar en los humanos?” Y la respuesta es que necesitas hacer un seguimiento del valor agregado de la previsión.

Alexey Tikhonov: Creo que es importante pasar a las decisiones. ¿Cómo puedo confiar en una previsión? No sé si una previsión es buena o mala a menos que vea qué decisión recomienda, qué decisiones puedo derivar usando esta previsión. Y desde esa perspectiva, los humanos, los profesionales, a menudo tienen muy buena intuición. Si produces decisiones absurdas, te lo señalarán y te dirán por qué. Por ejemplo, si tu pedido de compra es demasiado grande, te dirán cuánto debería ser, cuál es el rango adecuado para una buena compra y por qué piensan así. Así que, sí, hacer un seguimiento de la precisión de la previsión. Tener a los humanos involucrados en la toma de decisiones de la previsión basada en su juicio, como ya dije, es bastante inútil, porque esas intervenciones tienen tiempos de caducidad muy cortos.

Puedes anularlo, pero no durará otro año más. Probablemente tendrá un impacto en tu próximo pedido de compra, pero no en el que viene después. Entonces, involucras un recurso muy costoso, un recurso muy poco confiable, porque también deberíamos discutir, no tenemos tiempo, pero también deberíamos discutir cuál es el proceso detrás de esas anulaciones basadas en el juicio. Son semi-cuantitativas por naturaleza. No hay un proceso riguroso como el de las previsiones generadas automáticamente, donde podemos inspeccionar y descomponer y ver qué está mal si está mal. Por lo tanto, debes automatizar tanto como sea posible. ¿Y cómo ganas confianza? Bueno, de la misma manera que confías en tu aplicación del clima. Si produce previsiones consistentes, si dice que hay una alta probabilidad de lluvia y, sí, la mayoría de las veces llueve cuando dice que lloverá. O diferentes tecnologías como los filtros de spam.

Piensa en cuando se introdujeron por primera vez en los clientes de correo electrónico. Revisábamos la carpeta de spam con mucha frecuencia porque el porcentaje de correos electrónicos mal clasificados era bastante alto. Hoy en día, solo voy a la carpeta de spam cuando sé que una persona que aún no está en mi lista de contactos me envió un correo electrónico y no lo he recibido. Y voy y, sí, está ahí, y hago clic en que no es spam, y nunca volverá a ir a spam. Ves, la confianza se gana con el tiempo y necesitas un proceso. Lo llamamos optimización experimental, cuando ajustas finamente este motor de decisiones. Una vez que comienza a producir resultados coherentes, todo lo que necesitas hacer es hacer un seguimiento de las métricas. Sí, haces un seguimiento de la precisión de la previsión. Si cambia drásticamente, necesitas que un ingeniero inspeccione con los profesionales qué está sucediendo detrás de escena. Pero nunca debes tocar, nunca debes intervenir manualmente en esta cadena de decisiones. Quieres arreglar lo que está roto y luego dejarlo funcionar, más o menos como haces con las máquinas. Haces mantenimiento y luego conduces tu coche.

Sven Crone: Sí, creo que la confianza es una pregunta importante, ¿verdad? Quiero decir, mirando hacia atrás en los últimos 10, 20 años, muchas empresas han intentado implementar, por ejemplo, en el contexto de la previsión, la previsión estadística. ¿Y por qué existe tanto escepticismo? ¿Por qué tantas empresas lo han comenzado y detenido, comenzado y detenido, comenzado y detenido? Todos conocemos el sobreajuste. Todos sabemos cómo ejecutar estos experimentos de prueba con todas las variables futuras, donde tienes que tener mucho cuidado al diseñar cosas en una prueba de concepto, luego en un estudio piloto, ejecutando en paralelo en lugar de quemarlo. Y de hecho, la mayoría, quiero decir, con tantos grados de libertad y metaparámetros y tantos indicadores líderes que pueden filtrarse en cualquier descomposición, es muy, muy fácil prometer un nivel de precisión que no se materializa posteriormente. Prometimos cierta precisión, y luego llegó COVID, y la dirección no entendía por qué no estábamos logrando ese nivel de precisión. Para nosotros, estaba claro. Para ellos, no lo estaba. Pero estoy diciendo, ya sabes, se perdió la confianza.

La confianza, no creo, en general, la aceptación de la tecnología es un tema en Sistemas de Información, ¿verdad? La aceptación de la tecnología es un gran problema. Hay conferencias enteras analizando cómo se puede transmitir esto. Y creo que una forma es que tiene algo que ver con la aceptación general de la tecnología. Como, ya sabes, la mayoría de nosotros seremos escépticos si te subes a un coche sin conductor en San Francisco, al menos las primeras veces. Tal vez no, pero tal vez en 20 años, todos estarán contentos con eso. Entonces eso es lo que dijiste, ya sabes, la usabilidad, no pasa nada y así sucesivamente, y así es como puedes generar confianza. También tienes que comunicar cosas. Pero no creo que la respuesta sea la IA explicativa. Todo el mundo sigue adelante y explica que el algoritmo tiene que explicarse a sí mismo. Quiero decir, he intentado explicar con mucho esfuerzo qué hace un factor gamma de 0.4 sobre 12 índices estacionales que cambian con el tiempo, ¿verdad? Ningún gerente lo entiende. Pero el gerente en la cima tiene que tener, ya sabes, tiene que tomar la decisión final. ¿Confía en esta inversión significativa en inventario? ¿Confía en que su equipo está trabajando de manera efectiva y eficiente?

Y creo que para eso, hemos perdido mucha confianza con las estadísticas, posiblemente con algunas implementaciones de software inferiores que hicieron estado del arte en ese momento, pero no, algunas de ellas sobreparametrizaron en una muestra de un paso. Hay mucha evidencia aquí sobre la selección de modelos. Entonces, muchas de estas innovaciones no han sido adoptadas, sino más bien por empresas más jóvenes e innovadoras. Un paso intermedio que hemos visto funcionar para generar confianza en la medicina, por ejemplo, es un increíble estudio de caso sobre la detección de cáncer de mama a partir de imágenes. Y la máquina, el algoritmo, fue significativamente más preciso y con una tasa de verdaderos positivos mucho más alta, una tasa de falsos positivos mucho más baja, ya sabes, con un costo increíble para las vidas individuales asociadas con ello. Y los médicos no lo adoptarían. Solo en la década de 1980, no adoptaron algunos de los procesos de toma de decisiones porque no confiaban en eso. Confían más en sí mismos que en los demás.

Las soluciones que estamos construyendo ahora, cuando la IA puede corregir valores atípicos, pero en realidad resaltamos el valor atípico en el plan de demanda. La IA puede seleccionar modelos, pero preferimos resaltar la clasificación que consideramos significativa. Intentamos explicar lo que vemos en los datos, por lo que creemos que esto es altamente estacional y tiene una interrupción. Entonces, esta cosa aumentada también para los médicos, en lugar de darte una clasificación, en realidad resaltaba en la imagen dónde se detectaba probablemente el cáncer y no solo te daba una respuesta verdadera o falsa, cáncer o no, sino que te daba una probabilidad de que esto fuera cáncer, lo que permitía en situaciones críticas de tiempo ordenar por probabilidad y solo mirar no a los que claramente son cáncer y los que claramente no son cáncer, sino a los que eran inciertos. Y ahí es donde los médicos realmente podían usar su experiencia y de repente tenían una aceptación masiva.

Entonces creo que tiene mucho que ver con el diseño de los sistemas, el diseño del proceso de toma de decisiones y no es todo automatización porque tenemos ABC y XYZ y nuevos productos y productos terminados, ya sabes, no puedes automatizar, no debes automatizar todo, pero automatizar algunas partes con IA, automatizar otras partes con métodos muy simples que sean transparentes tal vez, y automatizar otras con algoritmos que sean robustos. Pero creo que por ahora, para el nivel actual de aceptación y escepticismo hacia la tecnología, aunque a todos nos encanta GPT para planificar nuestra próxima fiesta de cumpleaños, creo que probablemente la IA aumentada es un buen paso para lograr la aceptación y luego podemos automatizar completamente con IA.

Conor Doherty: Comentario sobre eso. Bueno, solo para volver a eso porque nuevamente, ambos plantearon muy buenos puntos allí. Pero solo quiero separar una de las comparaciones allí. Entonces, creo que Alexey, diste el ejemplo de usar una aplicación de pronóstico del tiempo, que es, quiero decir, la meteorología, la base de la meteorología ha sido el pronóstico probabilístico durante bastante tiempo. Y luego lo comparaste con un vehículo autónomo, o al menos lo comparaste indirectamente. Y creo que tomaremos eso y simplemente intentaremos plantear una pregunta. Entonces, para usar el ejemplo de Alex, si a todos en la sala se les dijera que tienen que tomar unas vacaciones la próxima semana, su único destino es Bermuda. El pronóstico del tiempo dice que habrá un tsunami la próxima semana. ¿Vas a pagar con tu propio dinero? ¿Vas a invertir financieramente tu tiempo, esfuerzo y energía en volar a Bermuda? La mayoría de la gente diría que no. Ahora toma esa misma perspectiva, que es la financiera y el pronóstico probabilístico, pon a todas esas mismas personas en una empresa y diles aquí hay una lista priorizada de decisiones ajustadas por rango y riesgo que fue generada por un algoritmo. Oh, no, absolutamente no, no confío en eso. Entonces, nuevamente, ¿es una falta de confianza selectiva? Tus comentarios.

Alexey Tikhonov: Puedo hacer un breve comentario. Creo que el verdadero problema con la resistencia de los humanos a la adopción de nuevas tecnologías en general, cuando hablamos de automatización, es el miedo a volverse irrelevantes y desplazados. Y en realidad, lo que suele suceder es todo lo contrario. Sí, automatizamos algunas partes donde los humanos simplemente no son financieramente eficientes. Como por ejemplo, solíamos tener traductores para varios idiomas para traducir nuestro propio sitio web porque publicamos mucho y acumulativamente probablemente gastamos algo así como 400,000 euros durante varios años. Y ahora, cada vez que publicamos algo, se traduce a través de LLMs. L4

Tenemos programas que toman una página de markdown como entrada y producen una página de markdown con toda la sintaxis de markdown, los shortcodes, todo permanece intacto y solo se traducen las partes relevantes a otros idiomas. Los costos han disminuido enormemente, como dos órdenes de magnitud, ahora es 100 veces más barato. Entonces, ¿debemos pagarle 100 veces más a un traductor humano? No. ¿Aún necesitamos traductores humanos? Sí, por ejemplo, si quieres redactar un documento legal, es mejor que uses un traductor humano porque una sola palabra, una sola coma puede costarte una cantidad tremenda de dinero. Entonces, ¿necesitamos traductores humanos? Sí, todavía los necesitamos, pero en diferentes áreas y probablemente habrá más necesidad de traductores humanos en este campo legal que antes.

Y lo mismo se aplica a las cadenas de suministro. Por ejemplo, hay áreas enteras que permanecen intactas debido a la falta de recursos humanos disponibles. Por ejemplo, muy a menudo cuando quieres hacer un pedido, no sabes de antemano si hay una cantidad mínima de pedido, por lo que necesitas obtener esta información. Puedes usar humanos, puedes usar un copiloto como una IA, pero aún necesitas un humano para obtener cierta información que está mal estructurada para alimentarla en tu motor de decisiones para que produzca una decisión que cumpla con la cantidad mínima de pedido. Entonces, creo que todavía necesitamos humanos solo para diferentes tipos de tareas que estarán evolucionando.

Sven Crone: Creo que mencionaste una parte importante cuando se trata de la aceptación de algunas de estas técnicas de traducción automática porque han estado presentes. IBM utilizó redes neuronales en 1982, ¿verdad? Entonces, han estado ahí, pero la tasa de traducción o la tasa de error estaba en algún lugar alrededor del 90% de identificación. Entonces, un humano tendría que entrar y cambiar muchas letras, muchas palabras. Cada décima palabra estaría mal y eso significaba que era inaceptable porque estaba por debajo de un umbral que se consideraba lo suficientemente bueno.

Y ahora, si estás obteniendo esta precisión no necesariamente a nivel humano, pero la obtienes por encima de un umbral, de repente tienes una adopción masiva de la tecnología. En la previsión, somos bastante culpables de eso porque hemos visto implementaciones con un uso descuidado de modelos multiplicativos en series de tiempo con ceros. Y si tienes 10 ejemplos en 100 series de tiempo que explotan una vez al año, no tienes aceptación porque la confianza se ha ido.

Entonces, en realidad tienes que llegar a la robustez para permitir que la automatización tenga lugar. Entonces, creo que es un buen punto. Y típicamente hemos intentado construir modelos precisos en lugar de modelos robustos que no funcionan bien. Las redes neuronales siempre tienen este problema. Además, creo que todos estamos sesgados porque nos adaptamos bastante a la tecnología, no tanto como mi hermano menor, por ejemplo, a quien simplemente le encanta la tecnología. Entonces, también hay una consideración de edad allí. Pero ¿qué genera confianza? Creo que en una reunión de la junta directiva de alta dirección, sé que una compañía de software muy grande está buscando activamente modelos LLMs y hubo una decisión reciente. Creo que Eric Wilson del IBF, el Instituto de Previsión Empresarial, tiene un blog y son bastante francos acerca de que la IA no se haga cargo del proceso de planificación de la demanda y que todos mantendrán su trabajo.

Pero recientemente hubo ejemplos donde en realidad en una sala de juntas, un modelo LLM entrenado en la mayoría del conocimiento que se le proporcionó, la información promocional, las interrupciones, la cadena de suministro, y al final, hubo una previsión y el CEO le preguntó al modelo LLM por qué era así. Y las personas tenían diferentes opiniones. Marketing tenía una opinión diferente, Finanzas tenía una opinión diferente. El modelo LLM fue el único capaz de dar un argumento comprensible de por qué este es el número correcto. Y creo que hay otro sesgo que está ahí, pero si puedes contar una historia relevante sobre las cosas, las personas confiarán en esto. Entonces, esto también introduce la confianza, incluso si está equivocado.

Entonces, creo que poder argumentar por qué eso es así para un planificador de demanda en un contexto de mil productos, estás sentado allí con el CEO para argumentar de manera integral por qué crees que en seis meses será el doble, no lo recuerdas. Has estado ocupado trabajando todo el mes en todos estos números, cortándolos y desglosándolos, traduciéndolos en valor, y luego obteniendo ajustes de arriba hacia abajo por canal, y al final, obtienes un número. Pero el modelo LLM fue capaz de argumentar eso y eso, creo, es donde probablemente veremos quién va a decir que un modelo LLM no puede leer todas las ventas y las reuniones clave de cuentas, no puede obtener toda la información del embudo, puede justificar el embudo, puede alinear eso con los valores de suministro y realmente puede llegar a un ajuste que es mejor que un humano porque puede manejar mucha más información. Creo que ahí es donde podríamos saltar sobre la confianza y luego ir directamente a la precisión. Pero hay evidencia de que estos pueden proporcionar confianza porque finalmente pueden explicar lo que está sucediendo.

Nicolas Vandeput: Entonces, veo una pregunta interesante y creo que finalmente encontramos nuestro tema en el que estaría en desacuerdo.

Lo primero que me gustaría abordar es la gestión del cambio con respecto a la adopción del aprendizaje automático para la previsión. Como con cualquier tecnología, hay personas que se oponen totalmente a eso y hay algunas personas que están más a favor. Y lo veo en LinkedIn cada vez que publico, siempre obtengo algunas personas del mismo lado que dicen que esto nunca funcionará, nunca lo haría. Sabes qué, dejé de intentar convencerlos. Está bien, quédate donde estás y yo trabajaré con personas que quieran mejorar las cadenas de suministro.

Ahora, he visto varios clientes, he visto grandes líderes, he visto líderes promedio, he visto líderes pobres. Para mí, si quieres implementar con éxito un proceso automatizado, y podemos discutir la planificación de la demanda con aprendizaje automático pero podríamos discutir cualquier proceso, necesitas como líder en la sala dar una visión clara a todos en la sala de cuál será su papel en el futuro. Voy a volver a la planificación de la demanda pero nuevamente esto se aplicaría a cualquier proceso. Si le dices a tu planificador de demanda, tu trabajo y te pago para cambiar la previsión y modificar y ajustar los modelos, eso es lo que la gente va a hacer. Y eso necesita cambiar. Necesita cambiar a tu trabajo es asegurarte de que los datos que ingresan al motor de previsión de la demanda sean lo mejor posible y tu trabajo es encontrar información más allá de lo que se alimenta al modelo y luego, en base a eso, enriquecer la previsión si es necesario. Si no dices eso, las personas seguirán modificando la previsión día tras día porque simplemente sentirán que si no lo hacen, no pueden justificar su salario. Entonces, nuevamente, para la adopción, es extremadamente claro que damos una imagen clara que nuevamente se relaciona con mi diapositiva de revisión impulsada por información y recopilación de información, de lo que las personas deben hacer.

Ahora, algo que me gustaría agregar es esta explicabilidad. Creo que es un tema abierto y yo mismo estoy creciendo en eso, pero diría que para mí, la explicabilidad no es necesaria en absoluto. No sé cómo funciona un automóvil, aún lo uso y nunca intento enviar un correo electrónico a Mercedes para decir que nunca lo usaré nuevamente si pueden explicarme cómo funciona. Nunca haría eso. No sé cómo funciona Internet, no sé cómo funciona esto, no tengo ni idea, aún lo hago.

Si una cadena de suministro se basa en la explicabilidad o en contar historias para utilizar el pronóstico y confiar en él, nunca podrás escalar porque significa que tu cadena de suministro y tu proceso se basan en el hecho de que alguien tiene habilidades persuasivas para influir en otras personas para que utilicen tu pronóstico porque tienen una buena historia. Para mí, necesitas confiar en el pronóstico porque la precisión, sin importar cómo la midas, es confiable y a lo largo del tiempo ha sido precisa o la decisión ha sido significativa a lo largo del tiempo. Confías en las cosas, en los procesos, en las personas, en los modelos porque cuantitativamente son excelentes, no porque la historia tenga sentido. Si solo te guías por la historia, será un fracaso. Me he visto a mí mismo a tantos consultores ganando proyectos porque la historia tenía sentido y luego nunca generó ningún valor porque en realidad, una vez que haces el modelo, no crea ningún valor. Pero la historia es bonita, por eso realmente intentaría mantenerme alejado de la historia tanto como sea posible.

Conor Doherty: ¿Algunos comentarios adicionales? No hay obligación.

Alexey Tikhonov: Algunas palabras sobre la explicabilidad y la comprensión de lo que está sucediendo, cómo se producen las decisiones, cómo se producen los pronósticos.

Solo puedo hablar de lo que hacemos en Lokad. Abordamos los problemas con un principio de corrección por diseño. Uno de los problemas que sabemos que las personas tendrán es la falta de confianza porque no entienden cómo funcionan las cosas. Es por eso que utilizamos lo que llamamos un elemento de “white boxing”. Siempre que sea posible, utilizamos modelos explícitos donde se entiende qué significan los parámetros, en lugar de alguna ingeniería de características oscura. De esta manera, las personas pueden comprender lo que está sucediendo. Estos modelos no son drásticamente difíciles de comprender. Invito a la audiencia a ver nuestra participación en la competencia de pronóstico M5. El equipo de Lokad ocupó el primer lugar en el desafío de incertidumbre. Si ves la conferencia impartida por nuestro CEO, Joannes Vermorel, verás que el modelo es bastante simple. Te sorprenderá cómo este modelo simple pudo lograr resultados de vanguardia.

No es necesario utilizar IA de última generación para lograr un uno por ciento adicional de precisión en el pronóstico. En la cadena de suministro, quieres estar aproximadamente en lo correcto, no precisamente equivocado. Es por eso que elegimos, por ejemplo, métodos probabilísticos porque pueden mostrarte la estructura de la incertidumbre, y luego cuando tienes impulsores económicos, puedes traducir esta estructura de incertidumbre en la estructura de los riesgos financieros, y puedes tomar decisiones bien fundamentadas que se ajusten al riesgo en lugar de solo algunas decisiones que se clasifiquen en función de alcanzar un objetivo de nivel de servicio.

Creo que las personas pueden comprender la historia a nivel superior, como qué haces y por qué lo haces. Pero a nivel inferior, si tienen curiosidad, también pueden hacerlo, pero es casi inconsecuente una vez que comprendes el nivel superior. Una vez que ves que las decisiones son razonables, ¿por qué estarías dispuesto a profundizar? Por ejemplo, típicamente, las personas usan computadoras, pero no están interesadas en las asignaciones de memoria, como cómo tu memoria de acceso aleatorio aprovecha los cálculos. A nadie le interesa eso. Lo mismo ocurre con los chips de computadora en tu automóvil. Sí, tienes un robot que mantiene el cambio de marchas, pero típicamente a nadie le interesa eso. No es consecuente. No hará que tu conducción sea más segura si lo sabes.

Conor Doherty: De hecho, iba a preguntar por las conclusiones finales. Parece que todos están de acuerdo en que comprender el “cómo” de estas metodologías estará más allá del alcance de la mayoría de las personas si no tienen la formación necesaria. El “qué”, como lo que está sucediendo, ya sea una mayor precisión o una mejor decisión, es comprensible. Pero antes de irnos, solo unos 30 segundos para cerrar. ¿Qué ven como el futuro de los planificadores de demanda? Porque, nuevamente, ya puedo adivinar más o menos su respuesta, pero en términos de Nicolas y Sven, parecen, y no quiero poner palabras en sus bocas, pero antes parecían sugerir: “Bueno, aún no hemos llegado a la automatización completa de optimización de extremo a extremo”. Desde su perspectiva, bueno, entonces, ¿cuál es el futuro de los planificadores de demanda? ¿Habrá un puesto para ellos dentro de 5 años, 10 años, etc., etc.?

Sven Crone: Creo que, al observar la disponibilidad de datos y la tasa de adopción de tecnología, definitivamente habrá trabajo para los planificadores de demanda durante mucho más de cinco años. Estoy bastante seguro. Además, la presión para reestructurarse o innovar en las empresas no es tan grande. Si observas todas estas iniciativas de digitalización, ¿sabes? La mayoría de las empresas ni siquiera tienen almacenamiento en la nube. Quiero decir, es sorprendente cómo algunas de las multinacionales más grandes de Europa han podido operar tan bien.

Entonces, probablemente se deba a las personas increíbles que están allí. Pero sí veo que, a largo plazo, realmente estamos arriesgando si no adoptamos, si los proveedores de software no adoptan, si no automatizas, si no apoyas decisiones, decisiones significativas como la corrección histórica, no lo haces, sabes, y tienes, creo que la explicabilidad es importante, no para entender “Así es como funciona una red neuronal”, sino “Estas son las variables de entrada que se alimentaron en esto”, y puede responder a una pregunta, “¿Has considerado que la promoción se ha trasladado de la semana 5 a la semana 12?” Creo que esas son las preguntas que debes responder. Son preguntas mucho más simples.

Pero creo que a largo plazo, con la disponibilidad de más datos, será muy difícil para los planificadores de demanda. Porque la frecuencia de la toma de decisiones está aumentando, pasamos de pronósticos mensuales a semanales, posiblemente a pronósticos intra-semanales para alinearnos también con los minoristas. Veo muchas más promociones, muchas más interrupciones están ocurriendo. Hay tantas interrupciones que va a ser prácticamente, va a ser increíblemente difícil para los planificadores abordar tanta información en un tiempo tan corto. Y por lo tanto, realmente no creo que a largo plazo puedan competir en términos de precisión y confiabilidad con los modelos de aprendizaje automático si todos los datos están disponibles.

Conor Doherty: Gracias, Sven. Tus pensamientos finales, Nicolas.

Nicolas Vandeput: Para resumir en solo un minuto, cuál es el papel de los planificadores de demanda en los próximos años, cómo va a evolucionar. Para mí, estas son personas que van a pasar la mayor parte de su tiempo recopilando, reuniendo, estructurando y limpiando datos, información y conocimientos, alimentando la mayor parte de ellos a modelos de aprendizaje automático. Se automatizará para pronosticar la demanda y la información, los conocimientos que no se pueden alimentar a los modelos de aprendizaje automático aún serán utilizados por estos planificadores para enriquecer manualmente estos pronósticos. Pero estos planificadores no dedicarán tiempo a señalar valores atípicos, corregirlos manualmente. No dedicarán tiempo a ajustar modelos, revisar, ajustar los parámetros de los modelos o cualquier otra cosa, ni siquiera a seleccionar modelos. Para mí, estas tareas deberían ser 100% automatizadas. Los humanos no deberían hacer eso. Los planificadores se centrarán en encontrar, recopilar y limpiar información y conocimientos.

Conor Doherty: Gracias. Y Alexey, tus pensamientos finales?

Alexey Tikhonov: Creo que actualmente, la planificación de la demanda ocupa un nicho de productos de software llamados sistemas de inteligencia porque típicamente hay tres tipos de software empresarial: sistemas de registros, esos son ERPs y otros sistemas transaccionales; sistemas de informes, estas son aplicaciones de inteligencia empresarial; y sistemas de inteligencia. Este es un campo emergente. Estos son los sistemas que pueden automatizar la toma de decisiones, como uno de los que Lokad está entregando a sus clientes. Y actualmente, los planificadores de demanda están tratando de competir con este campo.

Mi entendimiento es que a largo plazo, no pueden competir, perderán. ¿Por qué? Porque los humanos son criaturas geniales, son súper inteligentes. Pueden, si consideramos una sola decisión, pueden superar a un robot porque siempre encontrarán una idea mejor, algo de lo que un robot no está al tanto, como información adicional. Pero esto no es escalable. Los humanos son costosos. Estamos hablando de cadenas de suministro de inmensa escala, por lo que no podemos escalar esto. Y esa es la razón principal por la cual, a largo plazo, serán desplazados. Por las mismas razones, en París, ya no tenemos aguadores, tenemos agua corriente. ¿Por qué? Porque es más barato. Sí, todavía hay algunos países subdesarrollados donde, en pequeños pueblos, todavía hay personas que llevan agua en cubos porque, debido a las economías de escala, el agua corriente aún no es una opción. Pero incluso en esos pueblos, en algún momento, tendrán agua corriente. Entonces, a largo plazo, no tienen lugar. Y en este momento, algunas empresas ya se han deshecho de ellos.

Conor Doherty: Muchas gracias a todos en el escenario por sus ideas y respuestas. En este punto, cederé el turno. ¿Alguien tiene alguna pregunta? Y correré y pasaré el micrófono. Por supuesto, estará justo en la parte de atrás. Vale, no debería haber tantas filas. Robert, ¿a quién le estaban levantando la mano?

Miembro de la audiencia (Bahman): Gracias a todos. Mi nombre es Bahman. Soy de la Universidad de Cardiff. Solo quiero hacer un comentario muy breve. Mencionaste decisiones rentables. Solo quería resaltar, y de hecho, este es un punto sobre lo que Sven también mencionó sobre el espectro. Hay miles de cadenas de suministro que no se tratan de obtener ganancias. Así que creo que es importante tenerlo en cuenta.

Mi entendimiento es que el panel se centró más en la cadena de suministro, pero hay todo un espectro de planificación de la demanda. Si lo piensas, hay millones de hospitales en el mundo que hacen planificación de la demanda, y lidian con una o dos o tres series de tiempo. Entonces, mi pregunta es más sobre qué condiciones o qué requisitos se necesitan para crear decisiones automáticas, dado que las decisiones se basan en pronósticos como una entrada. Hay muchas otras entradas, algunas de ellas pueden ser pronósticos, pero probablemente la mayoría no lo sean.

Sven Crone: Intentaré responder a eso. Los hospitales, por ejemplo, tienen un gran stock de reabastecimiento, productos importantes como sangre, productos menos importantes, y así sucesivamente, ya sabes, medicamentos para el tratamiento del cáncer, algunos de ellos se hacen por encargo, otros se hacen para tener en stock. Creo que nos hemos centrado mucho, mi experiencia no está en hospitales o sistemas de salud. Nos hemos centrado mucho en la industria, el lado de la industria, ya sabes, en qué industria, gestión de la cadena de suministro, logística, que probablemente está definida por Gartner, ahora estamos viendo a empresas multinacionales muy grandes que introducen estos procesos bien definidos que han sido probados y probados, que miden el valor añadido del pronóstico.

Creo que tienes razón, probablemente sea aplicable a muchas otras industrias, farmacias, hospitales, y demás. Pero tengo poca evidencia sobre la adopción allí, pero creo que, ya sabes, para la industria de la cadena de suministro logística, que representa aproximadamente un sexto del PIB mundial, ¿verdad? Así que estamos hablando de un sexto del PIB mundial que está impulsado principalmente por empresas muy grandes. Ahí es donde realmente nos preocupa la falta de innovación en relación con estas cosas. Pero eso no significa que no deba aplicarse en otros lugares.

Miembro de la audiencia (Bahman): Quiero decir, tal vez la mejor terminología sería una cadena de suministro de servicios. Por ejemplo, en los hospitales, haces, tienes planificación de la demanda para los servicios de emergencia. No se trata necesariamente de productos, se trata del servicio en sí. Entonces, creo que mi pregunta es más sobre la toma de decisiones automática porque, como dije, hay un espectro, ya sabes, desde los departamentos de emergencia, que tratan con una serie de tiempo en realidad, y aquí es donde no se trata de lidiar con millones de miles de series de tiempo. Entonces la pregunta es, ¿cuáles son los requisitos para crear una toma de decisiones automática?

Sven Crone: Creo que tienes razón. Es muy interesante, hay muchas áreas interesantes a las que la comunidad de pronósticos no ha prestado tanta atención como a otras, ¿verdad? Si miras los 10,000 artículos sobre pronósticos con redes neuronales, creo que la mitad de ellos son sobre electricidad, ¿verdad? Pero muy pocos son sobre productos farmacéuticos. Así que es un buen punto. Creo que deberíamos prestar más atención a las cosas importantes.

Conor Doherty: Lo siento por interrumpir, Nicolas, puedes responder la próxima pregunta. Quiero pasar a la siguiente pregunta.

Miembro de la audiencia: Hola, gracias por una discusión maravillosa. Mi pregunta se refiere más al papel del juicio. Entonces mi pregunta es, cada experto tiene diferentes juicios. Entonces hay un patrón de sesgo que se genera a partir del juicio humano y hay un patrón de sesgo que se genera a partir de los modelos de IA o ML, ya sea cualquier modelo estadístico. Entonces tenemos dos sesgos, el sesgo del juicio humano y el sesgo estadístico. Entonces, ¿cómo podemos incorporar el sesgo del juicio humano en el sesgo estadístico para reducir el sesgo general cuando hacemos planificación de la demanda? Gracias.

Nicolas Vandeput: Gracias por tu pregunta. Es un caso habitual en el que trabajo con cadenas de suministro. Una de las primeras cosas que hacemos es analizar cómo se ha desempeñado históricamente tu pronóstico. Si ha tenido un sesgo muy alto o muy bajo, ya sea una subestimación o una sobreestimación, siempre se reduce a una historia. Las personas sobreestiman porque quieren estar en el lado seguro, probablemente porque el proceso de suministro no es bueno y realmente no saben cómo administrar el inventario. Entonces, en lugar de cambiar políticas o el objetivo de stock de seguridad, confían en un pronóstico muy alto. Tal vez también tienen un pronóstico muy alto porque quieren ser optimistas, quieren ajustarse al presupuesto, y así sucesivamente.

Por otro lado, la subestimación puede ocurrir porque las personas quieren superar el pronóstico para obtener una bonificación. Entonces, por lo general, si tu cadena de suministro crea un sesgo muy alto, es un problema de incentivos incorrectos o un proceso de suministro incorrecto, y necesitas corregir eso, capacitar a las personas nuevamente, mejorar tu proceso de suministro y tal vez hacer que sea imposible para algunas personas cambiar el pronóstico si tienen un incentivo directo para hacerlo alto o bajo. Eso es para la parte del proceso, por lo que debemos ceñirnos a las personas que no tienen incentivos para hacer pronósticos altos o bajos.

En cuanto a la parte del modelo, si tienes un modelo que genera, a largo plazo, pronósticos muy altos o muy bajos, demasiado altos o demasiado bajos, no estoy diciendo que un mes esté mal, por supuesto, estoy diciendo que durante varios períodos tienes el mismo problema, es muy probable que sea un problema debido a cómo optimizas tu motor de modelo y muy probablemente debido al hecho de que el KPI que se utiliza para optimizar el modelo no es el correcto. Apostaría a que se basa en MAPE, pero eso es otro tema.

Conor Doherty: ¿Puedes darle a Alexey la oportunidad de tener un pensamiento final porque tenemos que terminar pronto?

Sven Crone: Solo quiero agregar algo a lo que dijo Nicolas. Cuando hablamos de LLMs que pueden tomar decisiones de juicio, no entramos realmente en muchos detalles sobre cómo funciona eso. Pero hay mucha evidencia en estos días de que no tienes un LLM para entrenar con todos los datos y obtener un solo valor. En realidad, tendrías personas en las que entrenarías. Tendrías un LLM de cadena de suministro, un LLM de finanzas, un LLM de CEO, un LLM de marketing y un LLM de gestión de cuentas clave, todos entrenados con diferentes datos. A menudo, estos sesgos provienen de diferentes costos asociados con las decisiones para las cuentas clave versus la cadena de suministro. Pero a menudo tienes información diferente y lo que realmente ven puede llevar a una toma de decisiones mejorada si realmente tienes agentes que conversan entre sí y argumentan a favor de un proceso consolidado.

No es raro ver buenas prácticas en S&OP donde se llega a un consenso y ese consenso es más preciso que la decisión de un solo LLM. Es realmente aterrador porque los sesgos están ahí, las tomas de decisiones están ahí y luego tienes a alguien al final que decide basándose en la ponderación de la información. Es fantasmal.

Conor Doherty: Alex, la última palabra es para ti y luego terminaremos.

Alexey Tikhonov: Sobre la misma pregunta, creo que el sesgo es un problema desde la perspectiva de la previsión puntual. Normalmente, quieres que tu pronóstico tenga sesgo intencionalmente porque tu pronóstico es un poco ingenuo en términos de capturar la estructura del riesgo. Predices el escenario futuro más probable y luego asumes que los residuos del modelo siguen una distribución normal, lo cual nunca es el caso. Por eso introduces el sesgo que desplaza tu predicción hacia donde se concentra la mayor parte del riesgo. Por ejemplo, hacia la cola derecha, como cuando quieres pronosticar la probabilidad de no cumplir tus objetivos de nivel de servicio y, por lo tanto, desplazas el sesgo.

Cuando cambias a una perspectiva probabilística, ya no necesitas este sesgo porque lo que obtienes es una opinión sobre el futuro que se ve así en este futuro con esta probabilidad, en este futuro con esta probabilidad. Tan pronto como entrenas los parámetros que capturan la estructura del riesgo con suficiente precisión, todo lo que necesitas además de eso es una perspectiva económica como costos, ganancias y algunos impulsores de orden superior como aquellos que te permiten tomar decisiones de compensación. Por ejemplo, ¿debería comprar una unidad adicional de este bien versus una unidad adicional de este bien porque siempre tienes un presupuesto limitado? Con una perspectiva probabilística, no tienes este problema porque no se necesita sesgo.

Conor Doherty: En ese sentido, soy consciente de que ahora nos hemos pasado un poco de tiempo. Para aquellos que quieran hacer preguntas de seguimiento, intentaremos estar en la esquina del escenario. Pero una vez más, Sven, Nicolas y Alexey, muchas gracias por acompañarnos y disfruten el resto del día. Gracias.