00:00:00 Introducción de los participantes del debate y el formato del debate
00:02:56 Observaciones iniciales de Joannes
00:09:53 Observaciones iniciales de Jeff
00:16:56 Refutación de Joannes
00:21:47 Refutación de Jeff
00:26:53 Observaciones finales de Joannes
00:28:56 Observaciones finales de Jeff
00:31:05 Preguntas de seguimiento
00:48:36 Preguntas de la audiencia
01:18:57 Revisión de las perspectivas iniciales y conclusiones

Resumen

En un debate moderado por Conor Doherty, se exploró el tema “¿Es el Valor Agregado del Pronóstico (FVA) una mejor práctica o una pérdida de tiempo?” por Jeff Baker y Joannes Vermorel. Jeff Baker, con una amplia experiencia en gestión de la cadena de suministro, argumentó a favor del FVA, enfatizando su valor cuando se aplica correctamente y se estructura, destacando la importancia de abordar los sesgos y aprovechar las aportaciones de los expertos. Por otro lado, Joannes Vermorel, CEO de Lokad, sostuvo que el FVA puede ser ineficiente, abogando en cambio por la optimización financiera de las decisiones de la cadena de suministro con pronósticos probabilísticos. El debate puso de relieve las opiniones contrastantes sobre el papel del FVA en la gestión de la cadena de suministro, proporcionando ideas para mejorar los procesos de toma de decisiones.

Resumen Extendido

En un reciente debate moderado por Conor Doherty, Jefe de Comunicación en Lokad y presentador del canal de YouTube LokadTV, se examinó a fondo el tema “¿Es el Valor Agregado del Pronóstico (FVA) una mejor práctica o una pérdida de tiempo?”. El debate contó con la participación de dos figuras prominentes en la industria de la cadena de suministro: Jeff Baker y Joannes Vermorel.

Jeff Baker, quien apoya el uso de FVA, es el Fundador y Director Gerente de Libra SCM, Líder de Curso en MITx MicroMasters en SCM y Editor Asociado de Foresight, la Revista Internacional de Pronóstico Aplicado. Con más de 25 años de experiencia en gestión de la cadena de suministro, Jeff habla y escribe con frecuencia sobre Planificación de Ventas y Operaciones (S&OP) y FVA.

Por otro lado, Joannes Vermorel, CEO y Fundador de Lokad, una empresa de software con sede en París dedicada a la optimización financiera de las decisiones de la cadena de suministro, argumentó en contra del uso de FVA. Joannes es conocido por sus extensas publicaciones sobre temas de cadena de suministro y sus conferencias y debates regulares con líderes de la industria.

Conor Doherty comenzó el debate presentando el tema y dando a cada participante la oportunidad de presentarse. Después de las presentaciones, cada participante expuso sus puntos de vista sobre FVA.

Jeff Baker argumentó que FVA es una práctica valiosa cuando se aplica correctamente. Él enfatizó que los ajustes a los pronósticos deben ser guiados y estructurados. Según Jeff, los ajustes deben basarse en la dirección del ajuste (ya sea hacia arriba o hacia abajo), la previsibilidad inherente de la serie de tiempo y el tamaño de la anulación. Hizo hincapié en la importancia de buscar aumentos sustanciales en lugar de hacer pequeños ajustes.

Jeff también destacó la necesidad de entradas estructuradas, donde las suposiciones se indiquen claramente y se basen en nuevos datos que aún no se hayan modelado. Abogó por un enfoque proactivo para identificar y abordar los sesgos, comprender las motivaciones detrás de ellos y aprender de los errores del pasado. Jeff cree que el buen juicio se basa en la experiencia, que a su vez se basa en un mal juicio. Al volver a las suposiciones y validarlas, las organizaciones pueden abordar problemas como la sobrepronóstico debido a la falta de confianza en la cadena de suministro.

Además, Jeff argumentó que los expertos en ventas y marketing están mejor preparados para contextualizar la información que los científicos de la cadena de suministro. Sugirió que las aportaciones valiosas de estos expertos deberían automatizarse con el tiempo, pero reconoció que no vivimos en un mundo con datos puros infinitos. Por lo tanto, es esencial recopilar los datos correctos de diversas fuentes, incluyendo fabricación, ventas y marketing.

Joannes Vermorel, por otro lado, argumentó en contra del uso de FVA. Sostuvo que FVA puede ser una pérdida de tiempo y no siempre conduce a una mejor toma de decisiones. Joannes enfatizó la importancia de centrarse en la optimización financiera y aprovechar los pronósticos probabilísticos para tomar decisiones de la cadena de suministro más informadas automáticamente. Argumentó que depender demasiado de FVA podría llevar a ineficiencias y distraer de aspectos más críticos de la gestión de la cadena de suministro.

El debate incluyó preguntas de seguimiento y un intercambio libre entre los participantes, lo que les permitió profundizar en sus argumentos y abordar los puntos de los demás. La discusión concluyó con una sesión de preguntas y respuestas, donde la audiencia tuvo la oportunidad de enviar preguntas en vivo en el chat.

En resumen, el debate destacó las diferentes perspectivas sobre el valor de FVA en la gestión de la cadena de suministro. Jeff Baker abogó por un enfoque guiado y estructurado de FVA, enfatizando la importancia de aprender de la experiencia y abordar los sesgos. Joannes Vermorel, sin embargo, argumentó que FVA podría ser una pérdida de tiempo y enfatizó la necesidad de optimización financiera de las decisiones de la cadena de suministro en lugar de anulaciones de pronóstico. El debate proporcionó ideas valiosas sobre las complejidades de la previsión de la cadena de suministro y los diversos enfoques para mejorar la toma de decisiones en este campo.

Transcripción completa

Conor Doherty: Bienvenidos a la tercera edición de los Debates de Lokad Supply Chain. Hoy tengo el placer de presentar un debate muy esperado entre Jeff Baker y Joannes Vermorel. Jeff enseña Dinámica de la Cadena de Suministro en el Centro de Transporte y Logística del MIT y es el fundador y director gerente de Libra SCM. Mientras tanto, a mi izquierda, Joannes es el fundador y CEO de Lokad. Es ingeniero de la École Normale Supérieure en Francia y enseñó ingeniería de software allí durante seis años.

Ahora, el tema del debate de hoy es “Valor Agregado del Pronóstico (FVA): ¿Una Mejor Práctica o una Pérdida de Tiempo?” Jeff argumentará que FVA es, de hecho, una mejor práctica, mientras que Joannes argumentará que es una pérdida de tiempo. Ahora, lo más rápido posible, intentaré repasar los parámetros del debate, las normas, para que podamos llegar a lo bueno.

Primero, habrá declaraciones de apertura, máximo 7 minutos cada una. Como se acordó de antemano, Joannes hablará primero. Luego, cada orador tendrá una refutación de 5 minutos. Esto será seguido por una conclusión de dos minutos de cada orador, momento en el cual plantearé algunas preguntas de seguimiento. Estas preguntas pueden ser enviadas por los espectadores en cualquier momento durante el evento en el chat en vivo.

Ahora, en preparación para el debate, ambos oradores acordaron la siguiente definición: Valor Agregado del Pronóstico (FVA) es una herramienta simple para evaluar el rendimiento de cada paso y contribuyente en un proceso de pronóstico. Su objetivo es eliminar el desperdicio al eliminar procesos y actividades de cualquier tipo que no aumenten la precisión del pronóstico o reduzcan el sesgo.

Esa definición, así como las biografías completas de ambos oradores, se encuentran en un documento de Google abierto que pueden encontrar en la sección de comentarios o en el chat de comentarios de este video. Durante la sección del debate, cronometraré estrictamente a ambos oradores y les recordaré amablemente cuando se les esté acabando el tiempo con una modesta aclaración de garganta como máximo. Pero recomiendo que cada persona se cronometre para que sepan cuándo se les está acabando el tiempo.

Casi terminado. Los oradores deben permanecer completamente en silencio durante el turno de cada persona, así que por favor no se interrumpan entre sí, al menos no durante la sección cronometrada. Y por último, un poco de autopromoción descarada: mientras estén aquí, si disfrutan de estos debates y les gusta lo que hacemos, les animo a que se suscriban al canal de YouTube de Lokad y nos sigan en LinkedIn. Y con eso, ¿el Valor Agregado del Pronóstico es una mejor práctica o una pérdida de tiempo? Joannes, por favor, tus declaraciones de apertura.

Joannes Vermorel: En primer lugar, me gustaría agradecer a Jeff por ser un buen deportista y aceptar este debate. En términos simples, FVA es una herramienta para rastrear aumentos y disminuciones de precisión. Ahora, ¿es FVA una mejor práctica? Para que algo sea considerado una mejor práctica, debe, por definición, reflejar la comprensión de la comunidad sobre cuál es la forma más efectiva de lograr un objetivo particular. Sin embargo, el pronóstico no es un objetivo en sí mismo, ni ocurre en el vacío.

El pronóstico es una herramienta que utilizamos para lograr un objetivo específico. Algunos pueden argumentar que el objetivo del pronóstico es una mayor precisión. Esta es una posición muy disputada. En mi opinión, el pronóstico es solo una herramienta más que nos ayuda a tomar mejores decisiones comerciales, es decir, decisiones comerciales que generen más dinero. Entonces la pregunta es, ¿FVA, al medir aumentos o disminuciones de precisión, nos acerca más a lograr el objetivo de ganar más dinero? No estoy convencido y, por ahora, presentaré tres críticas para respaldar mi caso.

En primer lugar, aunque FVA no fue diseñado originalmente para facilitar el pronóstico colaborativo, FVA proporciona, por diseño, un marco para medir el impacto de precisión del pronóstico colaborativo. Esto es importante. FVA no dice que debes usar las mejores prácticas de pronóstico. FVA dice aquí está el impacto de precisión de lo que sea que estés haciendo. ¿Por qué es esto importante? Bueno, ¿cuál es la mejor práctica en la comunidad de pronóstico?

Desde la década de 1980, Spyros Makridakis ha organizado una serie de competencias de pronóstico públicas (las competencias M) para encontrar esas mejores prácticas. Desde la competencia M4 en 2018, esas competencias han demostrado consistentemente la superioridad de los métodos algorítmicos. De hecho, probablemente el mayor experto vivo en cuanto a las capacidades de pronóstico humano, Philip Tetlock, escribió que siempre que haya disponible un algoritmo de pronóstico, este algoritmo debe ser utilizado. ¿La razón? El algoritmo siempre ofrece una precisión superior en comparación con el juicio humano. Este algoritmo y obviamente el experto que lo utiliza es la mejor práctica.

Entonces, si el pronóstico colaborativo y las anulaciones manuales no son las mejores prácticas, y demostrablemente no lo son, entonces las empresas que los miden con FVA tampoco están siguiendo las mejores prácticas y, yo argumentaría, es una pérdida de tiempo. Algunos podrían decir, pero Joannes, FVA no aboga explícitamente por el pronóstico colaborativo o las anulaciones manuales. Está bien, pero así es como se usa popularmente, incluso en los escritos de Jeff.

Sin embargo, mi segunda crítica es algo en lo que se basa FVA, y eso es la perspectiva de series de tiempo. FVA requiere pronósticos clásicos de series de tiempo, también conocidos como pronósticos puntuales. Como mínimo, FVA recomienda usar un pronóstico ingenuo, simplemente una copia del último valor real como referencia para comparar las anulaciones de pronóstico. Este pronóstico sin cambios es una serie de tiempo. Pero, ¿es la serie de tiempo una mejor práctica? Nuevamente, no. Los pronósticos puntuales no son solo herramientas de pronóstico incompletas; pueden ser engañosos, por ejemplo, en escenarios de alta varianza. Esto se debe a que los pronósticos puntuales no tienen en cuenta la incertidumbre.

De hecho, la competencia de pronóstico M5 incluyó un desafío separado, el desafío de incertidumbre, que se centró en predicciones de cuantiles, en el que Lokad participó y ganó a nivel de SKU, por cierto. En realidad, ya existe una clase mucho mejor de pronósticos, y son los pronósticos probabilísticos. A diferencia de las series de tiempo, los pronósticos probabilísticos no seleccionan un solo futuro posible, por ejemplo, la demanda de la próxima semana. En cambio, consideramos todos los futuros posibles y sus respectivas probabilidades. ¿Por qué es importante? Es importante porque identificar todos los posibles escenarios futuros es esencial para seleccionar la mejor opción posible. Esto es importante siempre que haya riesgos financieros involucrados, que es todo el tiempo en lo que respecta a las cadenas de suministro.

Sin embargo, FVA no es compatible con el pronóstico probabilístico. ¿Por qué? Porque el pronóstico probabilístico implica analizar distribuciones de probabilidad y no series de tiempo. Y seamos realistas, las personas en ventas y marketing no van a editar manualmente distribuciones de probabilidad con o sin FVA. Eso es absolutamente inviable. Si las series de tiempo no son las mejores prácticas, y ciertamente no lo son cuando se trata de gestión de riesgos, entonces usar FVA para comparar anulaciones de precisión tampoco es una mejor práctica. Yo argumentaría que es una pérdida de tiempo.

Mi tercer crítica es que el valor agregado del pronóstico no mide el valor; mide la precisión. ¿Y la precisión agrega valor? No necesariamente. Un pronóstico más preciso no agrega valor por sí mismo. En muchas situaciones del mundo real, un pronóstico con un 90% de precisión y un pronóstico con un 60% de precisión llevan a las mismas decisiones de inventario si existen MOQs u otras restricciones. Si el resultado financiero de la decisión no cambia, entonces medir la ganancia de precisión no agrega valor comercial. Por lo tanto, desde una perspectiva empresarial, es absolutamente incorrecto decir que la precisión por sí sola agrega valor. Si ese es el caso, y lo es, ¿cómo puede ser la mejor práctica enfocarse en la precisión con FVA? No lo es.

Incluso si personalmente no utilizas FVA para respaldar el pronóstico colaborativo, otros sí lo hacen. FVA todavía se basa en pronósticos de series de tiempo, que ignoran la incertidumbre, y también en la idea de que una mayor precisión equivale a un mayor valor, lo cual va en contra de los entornos empresariales. Todas estas son malas prácticas y, por lo tanto, sostengo que FVA en sí mismo no puede ser la mejor práctica. Es, en mi opinión, una pérdida de tiempo. Gracias.

Conor Doherty: Aún te quedan 15 segundos, Joannes.

Joannes Vermorel: De acuerdo, gracias.

Conor Doherty: Bueno, muchas gracias, Joannes, por tus comentarios iniciales. Jeff, en este momento, te invito a que hagas tus comentarios iniciales, por favor.

Jeff Baker: Sí, genial. Gracias, Conor. Gracias, Joannes. Agradezco mucho la oportunidad de participar en esta conversación. Obviamente, estoy a favor del uso de FVA como mejor práctica. Esto se debe a que todas las cadenas de suministro necesitan planificar, ¿verdad? Necesitamos tomar decisiones con mucha anticipación, tal vez dos o tres meses para establecer un cronograma de fabricación, colaborar con proveedores, tal vez seis meses por adelantado. Necesitamos un buen pronóstico para asegurarnos, ya sabes, si tenemos pequeños cambios de capacidad, tal vez contratación de personal, tal vez un coproductor que queremos incorporar. Entonces tenemos que tomar estas decisiones en un plazo largo y terminamos revisándolas.

Tengo un par de citas favoritas en la cadena de suministro. Una de ellas es: “El plan no es nada, pero la planificación lo es todo”. Así que necesitamos tener este plan para colocarnos en la posición correcta. Ahora, mi segunda cita favorita en la cadena de suministro es de Mike Tyson: “Todos tienen un plan hasta que les dan un puñetazo en la cara”. Así que señala el hecho de que sabemos que vamos a recibir algunos golpes en la cadena de suministro. El objetivo es tomar la mejor decisión posible con la mayor probabilidad de éxito en el espacio de ejecución. La mejor manera de hacerlo es involucrar a nuestros expertos funcionales. Ventas y marketing tienen conocimientos locales que se pueden utilizar para mejorar el pronóstico y, por lo tanto, deben incluirse en el proceso de consenso. Involucrar a esos expertos de manera estructurada nos brinda los mejores datos que necesitamos para tomar mejores decisiones. Y FVA es una herramienta efectiva para medir la efectividad de esos aportes.

Ahora, la advertencia es que sí, potencialmente podrías abrir la puerta al sesgo, pero desde mi perspectiva, lo que debemos hacer es trabajar en corregir ese sesgo, no eliminarlo por completo. Tenemos que ser interfuncionales. Hemos estado predicando que la interfuncionalidad es el camino a seguir durante muchos, muchos años. No quiero volver a un silo funcional donde cada uno solo es responsable de su propia decisión, no de sus impactos en los demás. Para hacer esto de la mejor manera, creo que tienes que tener ajustes guiados, nuevamente donde FVA brilla. Me brinda esos productos que son altamente valiosos pero tienen un alto margen de error. Ahí es donde debemos buscar mejores aportes.

Si tengo un impacto importante que se espera, algún efecto materialmente adverso que se avecina, o también podría ser un efecto positivo, necesitamos poder planificar para eso. Entonces, lo primero es que esos ajustes deben ser guiados. La tesis que hice para mi Maestría decía que debemos analizar la dirección del ajuste: ¿Es hacia arriba o hacia abajo? ¿Cuál es la previsibilidad inherente de la serie temporal? ¿Cuál es el tamaño de la anulación? Y asegurémonos de que si vamos a agregar valor, estemos buscando un aumento sustancial, no solo ajustando cosas.

Lo siguiente es la estructura. No voy a permitir que alguien de ventas o marketing me dé un número arbitrario. Voy a preguntar: ¿Cuáles son sus suposiciones de entrada? ¿Se basa esto en datos nuevos que ni siquiera hemos modelado todavía? Luego profundizaré, preguntando: ¿Es este un escenario óptimo? ¿Un escenario pesimista? ¿Cuál es el caso más probable? ¿Qué tendría que suceder? ¿Qué tendría que ser cierto para que este escenario se materialice en el futuro? De esa manera, lo que estamos tratando de hacer es detectar de manera proactiva las causas del sesgo y comprender las motivaciones detrás de ellas.

Una vez que hagamos eso, entonces sí, el próximo mes analizamos esos ajustes para ver si agregaron valor o no. Lo que me gusta decir es que el buen juicio se basa en la experiencia. La experiencia se basa en malos juicios. Entonces, aprendemos de nuestros errores. Volvemos a las suposiciones, validamos, podemos encontrar algo que, sabes qué, tal vez los vendedores siempre hacen pronósticos excesivos porque no confían en la cadena de suministro. Eso no es solo sesgo, es un problema de confianza, y podemos comenzar a abordarlo.

Además, ellos son quienes contextualizan esa información mejor que nosotros. No creo que vayamos a tener un científico de la cadena de suministro que sea experto en todas las sutilezas del marketing o todas las sutilezas de la previsión. Voy a confiar en esos expertos, usarlos para que me den esos datos. Ahora, si con el tiempo encuentro que esos aportes son valiosos, voy a intentar automatizarlos. No tengo argumentos en contra de la automatización para recopilar los datos correctos. Pero el problema es que no vivimos en un mundo con datos puros infinitos. Si hay datos de fabricación, si hay datos de ventas, si hay datos de marketing, a menudo tenemos que salir proactivamente a buscarlos.

Si lo hacemos bien, puede haber muchas de estas decisiones que podamos automatizar. Los ajustes no son necesarios solo porque tenemos un proceso FVA en un sistema de pronóstico. De hecho, el mantra número uno del pronóstico debería ser “No hacer daño”. Kraft Heinz, una de las compañías de alimentos y bebidas más grandes de América del Norte, tiene la métrica de “porcentaje de pronóstico de bajo contacto”. ¿Cómo me aseguro de no tocarlo cada vez? Creo que Deming lo dijo mejor: “No hagas algo, quédate ahí”. Porque se dio cuenta de la tendencia natural de alguien a pensar: “Me están buscando para hacer una contribución, mejor hago una contribución para mostrar que estoy ocupado”. No, esa es totalmente la forma equivocada de verlo.

Al analizar la prueba de que la reducción de errores es valiosa, podemos señalar al Instituto de Pronóstico y Planificación Empresarial. Realizaron una encuesta a ocho empresas de bienes de consumo y encontraron que, por cada reducción del 1% en el error de pronóstico, las empresas obtienen $1.7 millones en beneficios por cada mil millones de dólares de ingresos al evitar el costo del pronóstico. Esto incluye evitar descuentos, transbordos, productos obsoletos, inventario excesivo y la inmovilización de capital de trabajo. Las empresas también reducen el costo de la subestimación del pronóstico en aproximadamente $1 millón por cada mil millones de dólares de ingresos, evitando ventas perdidas, multas por falta de productos y costos de producción o envío acelerado.

IBF ha observado esto en su investigación. Gartner ha encontrado beneficios similares: una reducción del 2 al 7% en el valor del inventario, una disminución del 4 al 9% en el inventario obsoleto y una reducción del 3 al 9% en el costo de transporte. La magnitud de estos números hace que sea atractivo buscar formas de mejorar la precisión del pronóstico, especialmente en áreas donde un artículo tiene un alto valor y un alto margen de error, o si sabemos de antemano que eventos externos afectarán la cadena de suministro de una forma u otra. Gracias.

Conor Doherty: Bueno, gracias, Jeff. Aún tienes 15 segundos si quieres.

Jeff Baker: Tengo 13, pero estoy bien.

Conor Doherty: Bien. Bueno, Jeff, muchas gracias por tu declaración inicial. En este punto, procederemos a la refutación. Joannes, tienes 5 minutos cuando estés listo.

Joannes Vermorel: Gracias, Jeff, por tus comentarios iniciales. Creo que defiendes tu posición muy bien, aunque creo que hay algunos puntos que me gustaría aclarar. No estoy cuestionando la intención de que las personas estén tratando de hacer algo bueno para la empresa. Estoy tratando de cuestionar la realidad del resultado real.

En primer lugar, si creemos que la precisión es lo mejor, algo que vale la pena perseguir, entonces la realidad, como señalé en mi declaración inicial, es que FVA no refleja las mejores prácticas de pronóstico. Si una empresa realmente persigue la precisión, entonces al no hacer esos pronósticos colaborativos, en realidad obtendrán resultados más precisos. Desafortunadamente, eso es lo que se ha demostrado empíricamente.

En segundo lugar, las anulaciones en sí mismas son una forma muy burocrática de abordar el problema. Tan pronto como se establece un mecanismo, sí, las personas pueden decir “no hacer daño”, pero si se establece una burocracia, se utilizará. FVA implica establecer una mini-burocracia o mini-tecnocracia con elementos de software involucrados. Habrá personas verificando si aquellos en ventas y marketing están realmente haciendo las correcciones y todo. Y para mí, allana el camino para algo que generará mucho trabajo burocrático.

Porque la realidad es que cuando comienzas a ver cómo se ven esos pronósticos y ajustes, estamos hablando de decenas de miles de series de tiempo, cada serie de tiempo con al menos 50 puntos, pronósticos semanales de un año de anticipación. Pero eso me lleva a otra crítica, y es que al centrarse en la precisión de manera aislada, creo que FVA asigna dinero de manera incorrecta y ciega a las empresas a formas mucho más efectivas en las que las personas podrían contribuir al proceso de pronóstico. Y para ser perfectamente claro, nunca he argumentado que los miembros de ventas, marketing y finanzas no puedan contribuir de manera significativa al proceso de pronóstico. Soy perfectamente consciente de que cualquier miembro relevante del personal puede tener información valiosa en su cabeza, información que podría ser financieramente gratificante para la empresa.

Sin embargo, lo que no estoy de acuerdo es con la idea de que las personas deben esperar hasta después de que se produzca un pronóstico puntual para luego manipularlo con ajustes manuales con el fin de aumentar la precisión. Esto, como dije, no es una buena práctica de pronóstico, y sin embargo es lo que la gente suele hacer con FVA. Sin embargo, hay una forma constructiva de involucrar a las personas en el proceso de pronóstico. Es contribuyendo a los algoritmos de pronóstico que generan el pronóstico y posteriormente a los algoritmos que generan decisiones. En realidad, esto significa ayudar al experto en pronóstico. En Lokad, esto sería un Supply Chain Scientist en la escritura y mejora de estos algoritmos al proporcionar experiencia y conocimientos en el dominio. Esto no significa que todos en ventas y marketing tengan que leer distribuciones de probabilidad y escribir scripts en Python. En cambio, ayudan proporcionando al experto en pronóstico información accionable que podría ser útil, y luego el experto traduce esa información en líneas de código.

Y finalmente, los algoritmos automatizados se ejecutan y generan el pronóstico. Al final del día, esas ideas son solo piezas de información, y están distribuidas, estoy de acuerdo, en toda la empresa. Sin embargo, el experto en pronóstico es la persona que sabe cómo traducir todo esto en un pronóstico significativo y un conjunto sensato de decisiones de la cadena de suministro. Puede haber toneladas de datos excelentes disponibles, pero es solo un experto en pronóstico y solo este experto quien debe decidir cómo se debe utilizar estos datos para producir o revisar un pronóstico. Esta es la mejor práctica respaldada por décadas de resultados experimentales de pronóstico. Y desafortunadamente, FVA no tiene lugar en este arreglo. Al medir la precisión en lugar de contribuir directamente a la mejora del algoritmo de pronóstico, lo más amable que se puede decir es que FVA es una distracción. Yo, sin embargo, lo llamaría una pérdida de tiempo.

Conor Doherty: Joannes, todavía te quedan 20 segundos más.

Joannes Vermorel: Estoy bien, gracias.

Conor Doherty: De acuerdo, gracias. Jeff, en este momento, te veo sonriendo. Siéntete libre de responder con tu refutación de cinco minutos.

Jeff Baker: Creo que estabas en silencio, por cierto.

Sí, disculpa. No, perspectiva interesante. Quiero reflexionar sobre un par de cosas. Primero, mencionaste la competencia M5 y Makridakis. Una cosa que me gustaría señalar es que el 92% de esas personas perdieron ante un algoritmo de suavizado exponencial muy simple como referencia. Por lo tanto, hay un argumento a favor de la simplicidad. Hay una diferencia, creo, entre las mejores prácticas y la vanguardia. Quiero asegurarme de que tengamos una distinción allí porque muchas veces lo más simple es mejor y más aceptable para las personas que lo utilizan. Desde el punto de vista de la explicabilidad, si estamos en una reunión de S&OP en una revisión de la demanda, es mucho más fácil explicar cómo se llega a eso y obtener más aceptación.

Lo otro que mencionaste sobre las series de tiempo que se centran solo en un punto. Es una buena práctica no solo dar la serie de tiempo, sino también qué intervalos de predicción va a haber, ¿verdad? Y eso se relaciona con la precisión. Por lo tanto, sí, una buena práctica puede ser una serie de tiempo más transmitir a las personas cuáles son los intervalos de predicción alrededor de eso. Estamos de acuerdo en que un pronóstico puntual es una pieza de información. Un pronóstico puntual más los intervalos de predicción es más valioso.

Mencionaste que los pronósticos probabilísticos no son adecuados para FVA. Creo que si miras uno de los números recientes de Foresight, verás un artículo de Stefan De Kok sobre pronósticos probabilísticos y una variante de esto, valor agregado estocástico, que creo que señala el valor de este marco. Soy algo agnóstico con respecto a mi método de pronóstico. Sin importar cómo lo haga, quiero ver una mejora a medida que agrego diferentes entradas a mi pronóstico. ¿Cómo lo estoy mejorando? Luego, también asegurándome de tener un uso eficiente y efectivo de nuestros recursos. Ese equilibrio entre el costo de la inexactitud y el costo de generar el pronóstico es algo que se conoce desde 1971. Hay un artículo de Harvard Business Review sobre cómo equilibrar el costo de dedicar demasiado tiempo a generar un pronóstico versus la precisión que estoy obteniendo. En términos coloquiales, ¿vale la pena el esfuerzo? Según los números que creo, para una empresa de tamaño razonable, hay muchos beneficios y puedo permitirme que algunas personas lo analicen.

No creo que el pronóstico colaborativo sea burocrático. Creo que necesitas involucrar a esas personas en el proceso para que puedan agregar valor a través del sistema. Estas entradas son excelentes. Siempre habrá eventos ocurriendo. Las cadenas de suministro no se están volviendo menos complejas; se están volviendo más complejas, más dinámicas, más como el efecto mariposa. Debido a eso, necesitamos que las personas puedan contextualizar esa información y tomar la mejor decisión en el período de tiempo en el que necesitamos tomar esa decisión. Entonces, desde esa perspectiva, tiene que ser colaborativo. Si soy colaborativo, siempre estoy trabajando con ventas y marketing. Se convierte en, ya sabes, no estoy tratando de abarcarlo todo; estoy buscando lo que ha cambiado. Si sigo haciendo eso, tengo esa relación. Luego puedo obtener esas entradas y tener una mejor relación con ellos.

Lo contrario es que tengo un proceso ad hoc en el que involucro a ventas y marketing a mi discreción cuando quiero. Puedo garantizarte que la calidad de tus entradas de ventas y marketing disminuirá significativamente si no forman parte de un proceso programado regularmente. Lo que siempre escucho de los vendedores es: “Estoy demasiado ocupado vendiendo, déjame en paz”. Entonces, si quieres obtener esa información, debes involucrarlos en el proceso.

Mencionaste la desconexión con el valor comercial real. No puedes tomar buenas decisiones con datos incorrectos. El argumento es que necesito ese pronóstico mejor. No hay argumento para una disminución en la precisión del pronóstico. Necesito asegurarme de estar utilizando los mejores datos posibles para la toma de decisiones. ¿Estará eso directamente relacionado con un ROI? ¿Puedo calcular el ROI de una decisión de forma aislada para toda la cadena de suministro? Eso no va a suceder. Me encantaría decir que sí, pero mi decisión desde el punto de vista del pronóstico es completamente independiente de las decisiones funcionales que toma la fabricación, la compra, el almacenamiento, el transporte. Cualquiera de esas cosas puede llevar a un ROI deficiente. Mi función es ser lo más preciso posible. Gracias.

Conor Doherty: Muchas gracias, Jeff. Lamento haber hablado justo al final, pero tenía que recordártelo.

Jeff Baker: No te preocupes.

Conor Doherty: En este punto, gracias, Jeff. Me dirigiré a Joannes. Por favor, tus comentarios finales, dos minutos.

Joannes Vermorel: Señoras y señores, el tema del debate fue “¿Es FVA una mejor práctica o una pérdida de tiempo?” A lo largo de este debate, han escuchado mucha información, pero por favor tengan en cuenta algunas cosas al decidir qué piensan sobre FVA. En primer lugar, si utilizan FVA como parte de un proceso de pronóstico colaborativo continuo entendido como la microgestión de los puntos de pronóstico, eso no es una mejor práctica. La anulación manual del pronóstico es, sin duda, no una mejor práctica en la comunidad de pronósticos, y como tal, medirlos con FVA tampoco es una mejor práctica.

En segundo lugar, FVA se basa en pronósticos de series temporales. Estoy seguro de que alguien en algún lugar está tratando de aplicarlo a pronósticos probabilísticos, pero seamos realistas. FVA solo funciona a gran escala si funciona en combinación con pronósticos clásicos de series temporales, que ignoran por completo la incertidumbre. Estos no son una mejor práctica, y por lo tanto, medir la precisión con FVA tampoco es una mejor práctica.

En tercer lugar, por diseño, FVA asume que aumentar la precisión es algo que vale la pena tener. Esto no es cierto. Contrariamente a lo que se dijo, hay casos en los que aumentar la precisión puede perjudicar realmente a su negocio. Tenemos un ejemplo muy simple. Para el pronóstico de series dispersas, cero es con mucha frecuencia el pronóstico más preciso, incluso si pronosticar una demanda cero no tiene sentido. Por lo tanto, incluso si no están de acuerdo conmigo en todos esos elementos de pronóstico y cadena de suministro, esto está muy claro: FVA, por todas estas razones y más, no puede considerarse una mejor práctica. Si lo es, es una acusación muy triste para la comunidad de pronósticos.

Conor Doherty: Muchas gracias, Joannes. Jeff, te toca a ti. Tus comentarios finales, por favor, dos minutos.

Jeff Baker: Muy bien, gracias. Nuevamente, como comencé, una mejor planificación conduce a mejores decisiones. Tenemos que aprender a planificar, tenemos que aprender a replanificar y debemos asegurarnos de tener un pronóstico preciso. No creo que haya un buen argumento comercial de que datos deficientes siempre conduzcan a mejores decisiones. Si tienes datos deficientes y tomas buenas decisiones, eso lo llamo suerte ciega. Eso no sucede muy a menudo. Donde FVA brilla, nuevamente, no estoy abogando por la microgestión, no estoy abogando por anular todo. Hay ejemplos en los que tenemos artículos de alto valor, con un alto margen de error. Sabemos que hay eventos externos que podrían ocurrir y que no se pueden reducir a una entrada algorítmica precisa. Necesitamos comprender esos eventos, necesitamos planificarlos en el horizonte temporal necesario para tomar esas decisiones. Cualquier crítica a FVA se basa en gran medida en una falta de comprensión de para qué está diseñada FVA.

Sé que Lokad, ustedes venden paquetes de software. En trabajos anteriores, he estado en una empresa de software y también he implementado paquetes de software. Sé que la herramienta funciona. Muchas veces, el problema está en la implementación. Si el cliente no está obteniendo lo que quiere, generalmente es un problema de implementación. Implementación y un problema de datos. Cualquier crítica a FVA se debe a no saber cómo implementarlo correctamente, a no entender cómo funciona y cómo agrega valor. Les daré otra analogía sencilla. Si estoy construyendo una terraza en la parte trasera de mi casa y escucho que debo atornillar las tablas al durmiente y uso un martillo para comenzar a martillar tornillos de madera, no funcionará y no estaré contento. Eso no significa que haya un problema con el martillo; significa que simplemente no sé cómo usar el martillo correctamente. Estoy usando la herramienta equivocada para el trabajo.

Conor Doherty: Gracias. Lamento interrumpirte, pero debo ser estricto con los tiempos para mantener la imparcialidad. Muchas gracias, caballeros. Gracias a ambos por sus comentarios preparados, su argumentación y su pasión. En este punto, me gustaría pasar a algunas preguntas de seguimiento. Hay algunas que están llegando. Tomé algunas notas basadas en lo que se dijo. Antes de pasar a las preguntas de la audiencia, solo específicamente porque estoy aquí sentado, escuchando, y quiero aclarar un par de puntos que se plantearon.

Comenzaré con, creo que, en realidad, presionaré a Joannes solo para mostrar imparcialidad. Presionaré a Joannes. Entonces, Jeff, en tu refutación, mencionaste el aforismo “lo más simple es mejor”. Creo que mencionaste los resultados M5 y señalaste que solo porque algo sea sofisticado o de vanguardia, eso no necesariamente lo hace mejor. Entonces, Joannes, ¿cuál es tu respuesta al concepto de que básicamente, si puedo desglosarlo un poco, el pronóstico probabilístico, el modelado algorítmico puro, eso es demasiado sofisticado? Deberías ser simple.

Joannes Vermorel: La realidad es que ganamos en el nivel de SKU la competencia M5 con un modelo que es paramétrico y tiene como cinco parámetros. Eso es todo. Entonces, sí, nuevamente, algorítmico no significa mejor. De hecho, Tetlock en su libro “Superforecasting” muestra que un promedio móvil superará al 99% de los humanos en pronosticar cualquier cosa. Los humanos ven patrones en todas partes; tienen un inmenso problema cognitivo. Es extremadamente difícil lidiar con el ruido, por lo que ves patrones en todas partes, y eso es malo para el pronóstico. Por cierto, eso es algo en lo que la inteligencia artificial, como un promedio móvil, supera en realidad a la mente humana la gran mayoría del tiempo. Entonces, eso fue solo un punto. En particular, los algoritmos de pronóstico probabilístico de Lokad no son naturalmente muy sofisticados. Solo tienen una forma extraña, pero no son súper sofisticados en el sentido de utilizar deep learning y cosas por el estilo.

Conor Doherty: Jeff, ¿qué te parece eso? ¿Hay algo en lo que quieras contradecir?

Jeff Baker: El único desafío que tendría, y estoy a favor de incorporar los últimos datos y tecnologías, nuevamente, estuve en una empresa de software, estábamos vendiendo tecnología, mi desafío es que a veces no necesitamos complicar las cosas. Tal vez sea mejor, pero necesitamos asegurarnos de obtener ese valor incremental por cualquier cosa que hagamos. Además, la explicabilidad es fundamental.

Para nosotros aquí en la sala, las personas interesadas en ver esto, todos estamos interesados en el pronóstico probabilístico y los datos. Cuando llegamos a la implementación, si estoy tratando de vender cualquier pronóstico algorítmico, si sufre de problemas de explicabilidad, podemos comenzar a recibir algunas objeciones porque los humanos naturalmente tienen cierta aversión a los algoritmos. Van a resistirse a las cosas que no entienden. Muchas de estas técnicas de pronóstico, las más simples, son relativamente fáciles de explicar. Ahí es donde digo que a veces las más simples, desde el punto de vista del rendimiento, funcionan igual de bien. Los pronósticos de conjunto simples superan al 92% de las personas que luchan por la fama y la fortuna en la competencia M5. Entonces, hay un cierto valor en eso.

También diría que no quieres sobrecargar a ninguna organización individual. Algunas organizaciones tienen un nivel de madurez al que necesitamos llevarlas. Para muchos de ellos, si puedo hacer que hagan pronósticos de suavización exponencial, genial. Conjuntos, genial. Hablar sobre cuáles son los intervalos de predicción, fantástico. No hay problema con los algoritmos más sofisticados y avanzados. Solo necesitamos asegurarnos de llevarlos en función de su capacidad para asimilar y aceptar esa tecnología. De lo contrario, corremos el riesgo, y he tenido ese problema antes, de usar programas lineales mezclados para empresas, y si no lo entendían, no lo aceptarían. Eso es lo que debemos tener en cuenta a medida que intentamos impulsar algoritmos más sofisticados.

Conor Doherty: Joannes, ¿algo más que agregar ahí?

Joannes Vermorel: Nuevamente, creo que hay una pequeña desconexión porque lo que estoy diciendo es que primero, cuando hacemos pronósticos probabilísticos, los métodos en sí son bastante simples. Cualquier sofisticación allí es solo para tener en cuenta los factores. Nuestra alternativa a FVA es decir que cuando las personas tienen información y levantan la mano, eso va a ser factores que se incluirán. El pronóstico en sí solo va a utilizar esta información adicional como entrada, no como una anulación de la salida.

Tiene muchas consecuencias positivas, como por ejemplo, si actualizas el pronóstico, las personas no tienen que actualizar la anulación. El problema es que las personas piensan en ello como una anulación, como algo estático. Pero si anulas el pronóstico, ¿qué pasa si la próxima semana hay nueva información y tu línea de base acaba de moverse? ¿Qué haces? ¿Aplicas la misma anulación, el mismo delta en comparación con lo que tenías antes? Hay toneladas de complicaciones que surgen simplemente del hecho de que el marketing proporciona información en forma de anulación de pronóstico. Es mucho más fácil decir: “Marketing, dinos que vamos a promocionar este producto con un gasto en publicidad de tanto”, y luego lo consideras como una entrada para tu pronóstico. Incluso puedes hacer pruebas retrospectivas para ver si agrega precisión o no. Esta prueba retrospectiva es algo que puedes obtener al instante; no necesitas esperar tres meses para ver si tu corrección manual produjo algo positivo o no.

Conor Doherty: Si puedo intervenir por un momento, porque has mencionado algo que también quería decirle a Jeff. Con respecto a “lo más simple es mejor”, basándome en lo que acabas de decir, ¿no sería teóricamente más simple para un experto entrevistar a otros expertos, obtener ideas y luego traducirlas en una decisión algorítmica en lugar de que todos, incluidos los no expertos, toquen un pronóstico? En términos de simplicidad, ¿qué piensas al respecto? ¿Son igualmente simples o uno es más complejo que el otro?

Jeff Baker: Típicamente, donde he utilizado FVA ha sido en el proceso de planificación de ventas y operaciones, revisión de la demanda, mirando el horizonte de tiempo que está a tres meses. Tenemos el mes actual, el mes actual más uno, dos. Típicamente, muchas empresas de bienes de consumo, muchas empresas, eso es un poco el cronograma fijo. Ahí es donde comienzas a hacer la transición entre la planificación y la ejecución, por lo que es S&OP versus S&OE.

Cuando estamos en ese dominio de S&OP, estamos mirando algunos de estos eventos, algunos de los impulsores. Lo que hacemos allí es, si lo estamos haciendo a nivel agregado, estamos recopilando insumos. Si es un insumo a nivel de familia de productos, puedes usar esos impulsores de alto nivel para propagar hacia abajo. Puedes desagregar algunas de esas decisiones, que es una práctica común: tomar un número de alto nivel y desagregarlo hasta los detalles.

En el lado de la ejecución, si hubo un evento significativo que ocurrió, entonces sí, también podrías hacerlo a nivel de familia o a nivel de empresa, dependiendo del tamaño de ese impacto. Creo que eso es más fácil. No abogo necesariamente por ajustar cada SKU porque, como mencionaste antes, eso puede ser engorroso. Pero si hay impactos importantes, necesitamos hacer esos ajustes.

En esa planificación, en esa replanificación, volver al plan no es nada, la planificación lo es todo. Esa noción de replanificación, de revisitar, si lo hacemos en el proceso de S&OP una vez al mes, tenemos a todos los tomadores de decisiones en la sala. Lo hacemos una vez al mes y también comenzamos a enfocarnos en lo que ya está en el modelo, qué información nueva hay y cómo incorporamos esa nueva información. De hecho, una de las veces que casi me levanté y aplaudí durante una reunión de revisión de la demanda fue cuando el líder de ventas, el vicepresidente, estaba en la sala y dijo: “Ok, ¿qué información nueva sabemos sobre esto?” Ninguna información nueva. “Ok, el pronóstico estadístico, el pronóstico algorítmico se mantiene”, y eso fue todo. No hubo mucha burocracia en eso.

Creo que esa es la forma ideal de hacerlo a menos que haya algunos eventos realmente grandes que sepamos. Pero luego, si eres el científico de la cadena de suministro, tienes que buscar proactivamente esa información. Mientras que, desde la forma en que lo estoy sugiriendo, las ventas y el marketing vienen a las reuniones sabiendo que tienen que decirme qué es nuevo neto, qué ha cambiado, qué no estaba en las suposiciones del mes pasado. Tratamos de hacer eso lo más rápido posible. Para una gran empresa de bienes de consumo, puedes pasar por eso bastante rápido a nivel de familia.

Conor Doherty: Gracias, Jeff. Joannes, ¿algo que agregar?

Joannes Vermorel: No mucho, pero para ser conciso, la razón por la que realmente abogamos por que el experto tome la información en lugar de ajustar el pronóstico es que casi invariablemente, la información no coincide en términos de granularidad con el negocio de la empresa. Tienen, “Oh, tenemos este competidor que se está declarando en quiebra”. No hay una superposición clara entre este competidor y exactamente lo que está haciendo. No es uno a uno. Existe un problema extenso de, bueno, categoría por categoría, cuáles son los productos que se ven afectados.

La idea de que la información pueda llegar a la cabeza de una persona de ventas o marketing o cualquier otra área como, “Ok, esta información puede encontrar una serie de tiempo coincidente para anular”, casi nunca es el caso. Encontrar exactamente qué es relevante tocar es difícil. ¿Qué pasa con todas las demás fuentes de incertidumbre? Cuando Lokad opera una empresa con modelos predictivos, tenemos fácilmente media docena de modelos predictivos, uno para la demanda, sí, pero también para los tiempos de entrega, los rendimientos de producción, el precio futuro de los proveedores, la anticipación de la volatilidad del precio de los competidores, etc.

Cuando dices que el punto con FVA es que también tiene este problema de falta de coincidencia de granularidad entre la información que tienes y la serie de tiempo. Simplemente pone la demanda en un pedestal mientras que puedes tener toneladas de otras incertidumbres que deben pronosticarse. También hay información como, “Ok, este proveedor está siendo completamente abrumado, los tiempos de entrega simplemente van a explotar”. Eso debería reflejarse en el algoritmo de pronóstico de los tiempos de entrega.

Jeff Baker: Sí, no tengo ninguna objeción en eso en términos de, sí, hay cosas que debemos analizar en la cadena de suministro. De ninguna manera estoy recomendando que nos centremos en FVA y nos olvidemos de analizar los tiempos de entrega de los proveedores o cualquier otra cosa. Eso no es correcto. Debemos centrarnos en cuál es la demanda, desde un punto de vista eficiente, cuál es mi mejor demanda, ¿verdad?

Y también necesito saber todas esas otras cosas sobre mi lado de la oferta. Necesitamos hacer ambas cosas, ¿verdad? Y sí, estoy totalmente de acuerdo. Necesitamos los tiempos de entrega, la variación de los tiempos de entrega, necesitamos entender la fabricación, cuándo podrían estar inactivos, el precio de los proveedores, también necesitamos saber eso. Así que no tengo ninguna objeción allí. La única objeción que tengo es que no estoy diciendo que nos centremos en FVA excluyendo esas otras cosas.

Conor Doherty: Bueno, tenemos otras preguntas de la audiencia a las que llegaré. Solo hay un último punto que se planteó, y lo plantearé. Primero intenté parafrasear de manera justa, Jeff, así que solo confirma si parafraseé de manera justa. Pero luego quiero presionarte, Joannes, sobre eso. Jeff, en tus comentarios finales, afirmaste que existen elementos que no se pueden reducir a un algoritmo. ¿Es esa una descripción justa de lo que dijiste? Existen ciertos elementos, creo que era baja previsibilidad, en los que no puedes simplemente depender de una solución algorítmica para proporcionar.

Jeff Baker: Sí, y hay eventos, ya sabes, está más relacionado con eventos que no se repiten.

Conor Doherty: Y la implicación ahí es que requieren anulación manual, entrada manual.

Jeff Baker: Alguna contextualización del hecho de que hay un evento. No tengo nada con lo que pueda modelarlo, pero voy a tener que tomar una decisión. Voy a usar a un experto para que me ayude en eso.

Conor Doherty: Joannes, ¿qué opinas al respecto? Porque me pareció muy curioso escuchar eso y conocer tu opinión.

Joannes Vermorel: Ahí es donde mencioné al experto Philip Tetlock en mi argumentación. De hecho, escribió un libro llamado “Superforecasting” y evaluó las capacidades de pronóstico humano con un proyecto que ha estado en marcha durante una década llamado el Proyecto Good Judgment. Fue financiado por IARPA, el equivalente de inteligencia de DARPA en Estados Unidos.

Lo que descubrieron fue que las personas que eran buenos pronosticadores para este tipo de pronóstico intuitivo, para cosas en las que no tienes una receta algorítmica, su conclusión inmediata fue que cuando hay una receta algorítmica disponible, es mejor. Cuando no la hay, bueno, volvamos a los humanos y a juicios de alto nivel. Pero lo que concluyeron, y esa es una de las conclusiones del libro, es que los superpronosticadores, es decir, las personas que logran una precisión de pronóstico consistentemente superior, en realidad están construyendo microalgoritmos hechos a la medida del caso. Eso es literalmente todo. Y cuando las personas son capaces de hacer eso, tienen una mejora masiva en la precisión. Estamos hablando de un aumento de precisión del 30%, incluso en cosas que son muy difíciles de evaluar, como por ejemplo, ¿volverá el expresidente de Siria al poder en los próximos cinco años? Solo una pregunta que es muy difícil de responder.

Entonces, la conclusión es que si volvemos a esas conclusiones, nuevamente respalda la idea de que cuando hay información, no es la persona que tiene la información la que necesita ser la persona que traduce esta información en una declaración cuantitativa sobre el pronóstico de la empresa. Eso es lo que estoy diciendo. Y por eso creo que donde FVA y la práctica de esas anulaciones manuales se equivocan es en la forma en que en Lokad abordamos eso, es que alguien nos da la información, la información en bruto, y luego, si tenemos un elemento que está en ninguna parte, entonces necesitamos inventar una especie de receta numérica miniatura que convierta eso en un número.

Y lo interesante es que no solo tienes que inventarlo, sino que también tienes que documentarlo. Tienes que explicar cuál fue la lógica, incluso si son tres oraciones que simplemente dicen: “Bueno, hago esto, multiplico esto por esto, aplico una proporción y un descuento”, algo muy simple como una receta de cocina. Nuevamente, si volvemos a “Superforecasting”, este libro, es exactamente cómo las personas superpronosticadoras que logran resultados de pronóstico superiores sin algoritmos lo hacen. Tienen la receta numérica explícita que hace que su proceso sea mejorable. Entonces no es solo información, necesitas tener un proceso que sea repetible y mejorable en cómo conviertes esas ideas en números. Eso no debería ser como magia en la mente de las personas.

Jeff Baker: No, estoy totalmente de acuerdo. Tenemos a las personas documentando cuáles son tus suposiciones. Una extensión de eso, sí, si pudieras tener algún modelo de lenguaje AI grande para el equipo de ventas o para el marketing, sería fantástico. Porque ese es uno de los sesgos, les preguntas a las personas, intentas obtener sus aportes y a veces recuerdan cosas, a veces no recuerdan cosas. Muchas veces volvemos a los datos y decimos: “Ok, ¿cuándo hicimos ese aumento de precio? Oh, estamos llegando a un año, tal vez el primer impulso que obtuvimos del aumento de precio ya se ha disipado”. Estoy totalmente a favor de automatizar eso si es posible. Necesitas tener esa conversación con las personas y comenzar a obtener eso. Tiene que ser una forma de vida para ellos porque hay tantos casos así en muchas empresas en este momento. Así que creo que sí, comienzas por ese camino.

Conor Doherty: Bien, en este punto avanzaré hacia algunas de las preguntas que han llegado del público. Así que creo que te pregunté primero la última vez, Jeff, esto es para ambos, pero iré contigo primero. Esto es de Nicholas. ¿Cómo se puede manejar una situación en la que llega demasiada información, lo que obliga a los modelos estadísticos a cambiar con frecuencia, incluso con un S&OP en su lugar? ¿Cómo se puede equilibrar eficazmente la presión de los equipos de marketing y finanzas?

Jeff Baker: Entonces, la pregunta es si hay mucha información diferente proveniente de ventas y marketing?

Conor Doherty: Sí, básicamente si hay una oleada de información llegando, ¿cómo manejas eso, especialmente si está forzando a los modelos estadísticos a cambiar con bastante frecuencia con, digamos, muchas anulaciones, por ejemplo? Aunque agregué ese paréntesis yo mismo.

Jeff Baker: Bueno, entonces el modelo estadístico en sí no se cambiaría. Así que estamos hablando de un modelo de pronóstico estadístico basado en series de tiempo y luego las anulaciones de ventas y marketing es lo que entiendo. No estamos hablando de…

Conor Doherty: No tengo a Nicholas conmigo en este momento, lo siento.

Jeff Baker: Bueno, en ese caso, necesitas tomar una decisión en el horizonte temporal, ¿verdad? Entonces, si necesito hacerlo a tres meses para establecer mi programación de fabricación, mi secuenciación de ejecución para mi programación de capacidad finita, entonces sí, necesitamos tener la práctica de no llegar en el último minuto con nueva información. Una de las otras cosas desde el lado de la fabricación, de lo que soy un gran defensor, son las violaciones de la barrera de tiempo congelado para entrenar al equipo de ventas. Oye, las sorpresas en el mes actual y el mes actual más uno, no son bienvenidas. Y eso es algo cultural, ¿verdad? Y así es como abordaría eso. Quiero decir, una instancia en la que esto, ya sabes, un vendedor entró y dijo: “Oye, tenemos esta gran venta”, y esperaron hasta el último minuto para decirle a la fabricación. Eso no es un buen trato, ¿verdad? Acabas de hacernos perder bastante dinero.

Así que esa idea de congelado, como necesitas tomar la decisión en ese marco de tiempo, eso tiene que ser tu mejor decisión y darte cuenta de que vamos a planificar en función de eso y no nos sorprendas. Así es como lidiaría con una oleada así. De hecho, una de las métricas de S&OP que me encanta es esa violación de la barrera de tiempo congelado. Es como qué tan a menudo estamos presionando a nuestro personal de fabricación solo porque esperaste hasta el último minuto para decirnos que hay una nueva venta.

Conor Doherty: Gracias, Jeff. Joannes, ¿alguna idea al respecto? Además, siéntete libre de incluir en tu respuesta cómo manejaría un experto bajo tu marco de trabajo muchas ideas repentinas de diferentes personas.

Joannes Vermorel: Primero, el enfoque de Lokad es automatizar todo. Así que para nosotros, ya sabes, esa es la situación en la que, primero, necesitas tener capacidad para eso. Y ves, eso es lo interesante de automatizar todo. Por definición, el científico de la cadena de suministro tiene, una vez que la cosa está automatizada, mucha capacidad para enfrentar una situación excepcional. Eso típicamente no es el caso en una situación donde las personas ya tienen todo su tiempo ocupado lidiando con la rutina. Eso es lo primero.

Lo segundo es que la inestabilidad de la previsión es una característica de las previsiones clásicas de series temporales, ya sabes, previsiones puntuales. Así que agregas un poco de información y la cosa simplemente saltará hacia arriba y hacia abajo porque, según tu métrica de precisión, esto es lo que debes hacer para ser súper reactivo, para ser más preciso. Muy frecuentemente, tienes este compromiso: si quieres ser bastante preciso, necesitas capturar el cambio muy rápidamente, y eso hace que la previsión sea muy inestable. Aquí, si optas por la previsión probabilística, tiende a eliminar los problemas de inestabilidad porque ya tienes una distribución de probabilidad que está algo difusa. Entonces, el hecho de que hayas observado un valor atípico y demás, aún tienes esta distribución de probabilidad difusa. No hay un salto importante en la dispersión de la masa de la distribución de probabilidad.

Además, el problema de la inestabilidad de la previsión, incluso si optamos por previsiones puntuales, que pueden ser alteradas radicalmente, es, como dije, ¿por qué a la gente no le gustan los saltos en la previsión? La respuesta es porque las previsiones se procesan manualmente nuevamente, con anulaciones manuales, revisiones manuales y demás. Así no es como lo hace Lokad. La previsión es automatizada, las decisiones son automatizadas. Entonces, cuando la previsión cambia, las decisiones reflejan automáticamente e inmediatamente cualquiera que sea el nuevo estado, teniendo en cuenta el hecho de que es posible que estés comprometido financieramente con cierto curso de acción. Entonces, sí, la demanda ha cambiado, pero ya has producido inventario. Ahora, incluso si la demanda no es lo que esperas que sea, aún tienes que liquidar, vender este inventario de alguna manera. Entonces, ves, la automatización agiliza y elimina en gran medida los problemas de establecer un ritmo en el momento en que se agrega la información. La información se puede agregar cuando esté disponible y, tan pronto como esté disponible, se tiene en cuenta.

Jeff estaba hablando de la cultura. Lo interesante es que recompensa inmediatamente a las personas por traer la información porque, literalmente, el día en que agregan su información, se valida. Al día siguiente, los horarios de producción se ajustan. Los horarios de producción, la asignación de inventario, los despachos, las órdenes de compra, todo refleja inmediatamente esta información que se proporcionó ayer mismo. Entonces, para las personas, ves una forma de desarrollar una cultura de presentar la información. Tienen que ver que cuando traen información, en cuestión de horas, se refleja en todas las escalas en cada decisión. Así es como puedes hacerlo muy tangible, no diciéndoles: “Vuelve el próximo mes y luego consideraremos comenzar a ver tus cosas”.

Conor Doherty: Gracias, Joannes. Jeff, definitivamente quiero escuchar tus pensamientos sobre esa última parte porque pude verlo en tu rostro. Al menos resonó un poco.

Jeff Baker: Sí, sí. Quiero decir, para mí, eso suena como una receta para el efecto látigo, ¿verdad? Estás diciendo que cualquier pequeña información que arroje ahí, quiero decir, aprecio la capacidad de respuesta y la capacidad técnica para reflejar de inmediato cuál es la mejor decisión. El desafío radica en que ya hemos tomado muchas de esas decisiones. Si ya he hecho mi programación y, digamos, estoy haciendo avena, y tengo avena regular, luego tengo avena con canela, tengo canela y manzana, y luego hago canela, manzana y nuez. Bueno, ahora tengo una alergia. Hay un costo de cambio enorme entre eso. Ahora, si te estás metiendo y tengo que interrumpir ese horario de inmediato, hay un costo financiero enorme, un costo financiero potencial para eso. Si de repente necesito pedir más rápido un material crudo, voy a tener un efecto látigo en mi proveedor.

Entonces, hay algunas ventajas en la estabilidad. De hecho, hay muchas conversaciones interesantes sobre si hay un pronóstico valioso y estable, no el más preciso, sino preciso y estable, porque la estabilidad tiene algunos beneficios en la cadena de suministro. Entonces, quiero decir, esa es un área en la que recién estamos comenzando a investigar, pero habla del hecho de que muchas de estas decisiones deben tomarse. Hemos plantado una estaca en el suelo, y todos se reirán cuando diga, ya sabes, un pronóstico congelado. Como hombre, no está realmente congelado. Vale, todos sabemos que no está congelado, pero hay una consecuencia financiera al hacer cambios en las decisiones.

Entonces, si bien técnicamente creo que es genial que podamos reflejar, “Hey, ahora esta es la mejor decisión”, creo que debemos temperar eso con el hecho de que si cambiamos basándonos en todo lo que llega, habrá algunos costos asociados. Eso puede estar perfectamente bien para algunas cadenas de suministro. Si tengo una cadena de suministro receptiva, tal vez estemos bien. Tal vez ese sea el mundo en el que vivimos. Si tenemos una cadena de suministro eficiente donde los cambios son costosos y difíciles de hacer, ahí es donde veo un problema.

Joannes Vermorel: Lo entiendo. Quiero decir, en Lokad, obviamente, modelar el costo del cambio es algo que hacemos. Cada asignación de recursos, si se desvía de lo que era anterior, lo modelamos en el costo. Es súper básico. Entonces, la cosa no va a saltar si el costo del cambio supera los beneficios anticipados. Para mí, es como, de nuevo, creo que las personas suelen abordar mirando recetas numéricas extremadamente absurdas y dicen: “Oh, mira, esto es un problema”.

Por ejemplo, tenemos una decisión que está ingenuamente esclavizada a un pronóstico sin ninguna consideración de los compromisos actuales, etc. Es increíblemente ingenuo. Obviamente, necesitas parte de tu receta numérica para tener la decisión que implementa cualquier costo de cambio y todo tipo de costos. Hay muchos de ellos. Y ahí es donde también brilla el pronóstico probabilístico. Te brinda aún más. Tienes en cuenta el hecho de que si tomas esta decisión ahora, ¿tendrás que revisarla en el futuro? Porque, nuevamente, si tienes este pronóstico puntual, por definición, asumes que ya conoces el futuro. Entonces, tu modelo te impide considerar automáticamente que tu pronóstico podría estar equivocado. Pero con los pronósticos probabilísticos, eso es un hecho. El pronóstico ya te dice que la demanda puede estar en cualquier lugar dentro de este rango, y tienes las probabilidades. Entonces, no solo calcularás cuando optimices la decisión, el costo del cambio si hay algún cambio, sino también el hecho de que pueda ser necesario un cambio en el futuro.

Conor Doherty: Bueno, caballeros, nuevamente, tengo en cuenta el tiempo y todavía hay al menos cuatro preguntas más por responder. Pero, en aras de la paridad, le haré esta siguiente pregunta a usted, um, Jeff. ¿Sería FVA un buen enfoque para ayudar a aliviar la presión de ajustar los modelos estadísticos para cumplir con las expectativas presupuestarias? En la segunda parte, ¿cómo puede un científico de datos de la cadena de suministro…

Perdón, en realidad debería hacerle esta pregunta a Joannes. Perdón. ¿Sería FVA un buen enfoque para ayudar a aliviar la presión de ajustar los modelos estadísticos para cumplir con las expectativas presupuestarias? Y ¿cómo puede un científico de datos de la cadena de suministro navegar por la política y la jerarquía cuando se enfrenta a tales desafíos? Y Jeff, te pediré un comentario.

Joannes Vermorel: Nuevamente, ese es el problema con los pronósticos puntuales. Los pronósticos puntuales asumen que conoces el futuro. Entonces, si conoces el futuro, todo, el plan, todo es una cuestión de orquestación, y tu pronóstico te dice el presupuesto que necesitas para todo. Y eso está mal porque, en primer lugar, el pronóstico tiene inexactitudes y estás desestimando por completo la incertidumbre.

Un pronóstico puntual está rígidamente vinculado a un presupuesto determinado. Eso no es en absoluto una buena práctica. Pero si pasamos al mundo de los pronósticos probabilísticos, entonces de repente todos esos problemas desaparecen. Lo que tienes son futuros posibles, y luego se puede considerar todo el gasto presupuestario. Si me dices que tienes esta cantidad de recursos, entonces verás cómo asignar esos recursos para obtener lo mejor de acuerdo con esas probabilidades en el futuro.

Y por cierto, tenemos un ejemplo de eso. Si las personas quieren tener una hoja de cálculo, pueden ver reabastecimiento de inventario priorizado en nuestro sitio web. Es una hoja de cálculo de Excel que demuestra que con un pronóstico probabilístico, puedes elegir cualquier presupuesto que tengas, y te dará lo mejor que puedas obtener para tu presupuesto. Nuevamente, ese es un problema de los pronósticos puntuales que son defectuosos como paradigma. Las series de tiempo clásicas son defectuosas como paradigma, y terminas con muchos problemas que no tendrías, incluso conceptualmente, si no estuvieras vinculado a un paradigma defectuoso.

Jeff Baker: Solo una especie de comentario improvisado sobre un paradigma defectuoso que ha funcionado muy bien para muchas empresas durante muchas décadas. Así que no lo clasificaría como defectuoso. Ahora, con respecto al presupuesto, ya sabes, el pronóstico y el presupuesto son un gran problema porque los presupuestos son aspiracionales, ¿verdad? Lo mejor que podemos hacer, y nuevamente, desde el punto de vista de ventas y operaciones, siempre hago que mis clientes pronostiquen hasta 18 meses. Entonces, adivina qué, a mediados de 2025, ya hemos comenzado a mirar hacia 2026. Podemos entender cuál es la vista más probable de 2026.

Luego, a partir de ahí, puedes agregar tus metas aspiracionales. No hay problema con eso, pero luego fuerzas la conversación: ¿qué tendría que suceder para que aumentemos nuestras ventas en esta cantidad, para reducir nuestros costos en esa cantidad, ¿verdad? Eso es parte de la conversación. Entonces, la mejor manera de hacerlo es basar tu presupuesto en un pronóstico estadístico sólido o en cualquier pronóstico de consenso que tengas para el futuro. Basa tu presupuesto en eso. Luego, si tienes desviaciones de eso, también tienes planes de ventas, marketing y fabricación para cubrir esas brechas. La peor práctica, espero que todos estén de acuerdo con eso, es el enfoque de la Torre de Marfil. Esto es lo que es nuestro presupuesto, las finanzas lo ingresan, y me recuerda a los viejos problemas de cálculo donde la derivación se deja al usuario, y nosotros decimos: “Oh, ¿cómo vamos a hacer eso?” Entonces, eso es una peor práctica, simplemente colocar esos enchufes allí.

Entonces, creo que esa es una forma de asegurarte de que tu presupuesto original se base en la realidad con planes para llegar allí. Luego, lo segundo que estoy diciendo, FVA es perfecto para eso. Esto es lo que es nuestro pronóstico estadístico. El presupuesto, no hay FVA para el presupuesto, ¿verdad? Eso es aspiracional. Pero señalas dónde están esas brechas y fuerzas esa conversación sobre cómo abordarla. Sí, creo que todos estaríamos de acuerdo en que otra peor práctica absoluta es que el pronóstico sea igual al presupuesto. Eso me volvería loco.

Conor Doherty: Bueno, gracias, Jeff. Pasaré al siguiente comentario, siguiente pregunta, perdón, y esta es directamente para Joannes. Esto es de Timur, creo. Encuentro útil FVA pero a veces limitado en alcance. ¿Estás de acuerdo con la metáfora de Jeff de que FVA es como un martillo, o lo ves de manera diferente?

Joannes Vermorel: Quiero decir, sí. No estoy muy seguro. Mi crítica a FVA no es realmente que sea un martillo. Es realmente que creo que opera dentro de los paradigmas equivocados. Es extraño y debido a los paradigmas equivocados. Nuevamente, las series de tiempo, el pronóstico puntual clásico, el hecho de que esté arraigado en la precisión y no en medidas en porcentaje de error, no en dólares de error. Ves, hay muchos problemas paradigmáticos, y es entonces cuando digo que esas cosas son defectuosas. Mantengo mi punto en este sentido. La especie de fricción que las empresas soportan en la práctica es más como la manifestación de todos esos problemas.

Si quieres una prueba anecdótica de que esos paradigmas son defectuosos, desde la década de 1970, la teoría de la cadena de suministro prometía la automatización completa de esos procesos de toma de decisiones. Esa fue, por cierto, la propuesta de Oracle desde los años 70: obtendrás una gestión de inventario completamente impulsada por algoritmos. Esto no sucedió y fracasó una y otra vez. El punto que estoy haciendo es que creo, y tengo muchos argumentos de apoyo, que refleja el hecho de que los paradigmas, las herramientas matemáticas, los instrumentos son simplemente incorrectos. Entonces, terminas con todo tipo de problemas extraños. Volviendo a este tema del martillo, sí, a veces se siente como tratar de usar un martillo para apretar tornillos. No es que el martillo sea malo en sí mismo; es que estás tratando de hacer algo para lo cual el martillo no es la herramienta adecuada.

Conor Doherty: Jeff, te daré espacio aquí para un comentario si hay algo que desees agregar.

Jeff Baker: No, aparte del hecho de que la analogía que hice sobre el martillo fue que tienes que usar la herramienta correctamente. Entonces, FVA es una herramienta. Si no estás usando la herramienta correctamente, no obtendrás valor de ella. Esa fue mi analogía.

Conor Doherty: Gracias. Seguiré adelante. Esto es de Marina. No hay una designación clara de a quién va dirigido, así que iré primero a Jeff. Con el avance rápido de la IA y la posibilidad de tener todos los datos disponibles en un futuro cercano, ¿crees que FVA se volverá más efectivo o incluso más esencial?

Jeff Baker: ¿Más efectivo o más esencial? Esa es una pregunta interesante. Lo que pienso es que, a medida que la IA comienza a ser cada vez más prevalente, con más y más datos, tenemos que aprender cómo contextualizar eso y tomar decisiones con ello. Casi podrías imaginar un caso en un futuro lejano donde podamos contextualizar toda esta información, grandes modelos de lenguaje la pongan allí y, como mencionaste, Joannes, realmente comiencen a sistematizar eso. Eso es potencialmente algo que llevaría a que FVA sea como: “Bueno, está bien, estamos tomando todas estas decisiones y son excelentes decisiones”.

Tal vez entonces te queden casos muy específicos de eventos significativos, como un competidor que quiebra o hace una promoción al mismo tiempo en que hay una disminución en la economía, al mismo tiempo hay un aumento en tu estacionalidad. Podrías empezar a obtener esos casos. Entonces, creo que probablemente habrá algunas oportunidades obvias en las que la IA será fantástica para tomar todos esos datos, comprender las relaciones y también comprender el ruido que existe y lo que es valioso y lo que no lo es. Entonces, podría ver que potencialmente incluso sea un poco menos valioso en el futuro a medida que comencemos a automatizar.

Conor Doherty: Bueno, gracias, Jeff. Joannes, IA y FVA, el futuro: ¿sí, no, bueno, malo?

Joannes Vermorel: Creo que, nuevamente, tenemos que retroceder en cuanto a la inteligencia artificial. Consideremos que en términos de masa de información, los sistemas de transacciones contienen gigabytes de información. Quiero decir, gigabytes si quieres ser realmente sofisticado. Los datos de transacciones son gigabytes de información. En comparación, las personas son kilobytes de información. Lo que las personas tienen en sus cabezas no es una gran cantidad de información. Las personas no son como, ya sabes, no son mentats como diría en la serie de Dune para las personas a las que les gusta eso. Entonces, eso significa que el 99% del problema de tomar esas decisiones correctas se trata, en términos de masa de información, de tomar la información de transacciones mundanas que tienes y generar las decisiones a partir de eso. Eso es el 99% del volumen de información aquí.

Para esta parte del problema, que es procesar datos numéricos encontrados en formas tabulares, no veo que los grandes modelos de lenguaje sean muy relevantes. Sí, pueden ser herramientas de codificación muy efectivas para que realmente puedas usar la herramienta para escribir el código por ti. Eso es una cosa. Pero, ¿pueden hacer más o hacer otras cosas además de escribir el código? Se vuelve muy incierto.

Ahora, en cuanto a los kilobytes de información que las personas tienen en sus cabezas, ¿pueden realmente usarlo para tomar esta información y convertirla en un puente hacia algo que sea cuantitativo? Yo diría que sí, pero el desafío sigue siendo diseñar esto de principio a fin, esta tubería para tener esta optimización predictiva automatizada. Eso es un desafío real, y aquí estamos poniendo a prueba los límites de la inteligencia humana para hacerlo correctamente. Entonces, no veo en un futuro cercano que la IA que tenemos realmente pueda hacer eso más que, digamos, una compañía de IA reemplazando a Microsoft al tener una IA que reescribe una versión de Microsoft Word. Es el tipo de cosa donde la IA puede ayudarte a escribir el código, pero aún requerirá mucha supervisión de inteligencia humana, al menos con el paradigma actual que tenemos con los LLM. Todavía no son superinteligentes.

Conor Doherty: Aún hay dos preguntas más. Entonces, Jeff, si quieres, podemos pasar directamente a la siguiente.

Jeff Baker: Perfecto.

Conor Doherty: Gracias. Esta es para ti. Iré primero. Um, esto es de Mark. ¿Cómo se pueden traducir de manera efectiva los intervalos de confianza de los pronósticos en un solo número discreto como una compra o una orden de trabajo? ¿Sería el análisis posterior al pronóstico el mejor enfoque para determinar ese número?

Jeff Baker: Sí, así que, sabes, no tengo problemas con los pronósticos probabilísticos o los intervalos, pero al final del día, necesitas poner un número en tu sistema ERP, en tu sistema de programación. Necesitas tomar una decisión sobre el número. Ahora, donde se vuelve interesante la conversación es cuál es la variación en ese número. ¿Es mi sistema robusto? ¿Qué sucede si aumenta, ya sabes, un 20%, 30%, lo que sea? Pero esos se convierten en escenarios que puedes comenzar a investigar, ¿verdad? Entonces, sí, esa sería mi respuesta.

Conor Doherty: Gracias. Joannes, ¿algo que desees agregar allí?

Joannes Vermorel: Sí, nuevamente, si piensas que necesitas abordar el problema desde una perspectiva paradigmática donde tienes que tomar una decisión sobre las cantidades de inventario, y por lo tanto el pronóstico debe ser un número, entonces tienes este problema de que la incertidumbre no existe. No puede existir. Y es por eso que las personas, nuevamente, volvemos a esta perspectiva incorrecta, abordan el problema preguntando: “¿Qué pasa con esos intervalos de confianza? ¿Qué hago con ellos? Oh, necesito pensar en un número”. Y eso es una trampa paradigmática. Estás atrapado en conceptos defectuosos.

Entonces, si abordas el problema con el paradigma actual donde un pronóstico de demanda te dará un número exacto para la decisión de inventario, la única forma de resolverlo es preservar incluso en la decisión el hecho de que la decisión refleje todos los posibles escenarios. No es que elijas un número para el inventario; eliges una demanda específica. No, tu decisión de inventario debe reflejar todos los posibles escenarios con las prioridades y expresar los diversos riesgos en términos monetarios. Entonces, esa es la razón por la cual es una forma diferente de pensarlo. Y volviendo a la pregunta, si te mantienes en el paradigma de series de tiempo, no sabes qué hacer con tus intervalos de confianza. No encajan en el sistema.

Jeff Baker: Argumentaría que sí sabes exactamente qué hacer con estos intervalos de confianza porque si tengo el error de pronóstico en mi tiempo de espera, eso se incluye en mi cálculo de existencias de seguridad. Ya sea que estés de acuerdo con eso o no, existen cálculos de existencias de seguridad muy bien definidos para tener en cuenta la variabilidad de la demanda, la variabilidad del tiempo de espera. Entonces, si tomamos eso, ahora tenemos, y nuevamente, no quiero complicar esto y desviarme hacia una teoría de gestión de inventario, pero existen cálculos estadísticos de existencias de seguridad que están perfectamente dispuestos a tomar un pronóstico puntual junto con un error estándar de tu pronóstico en el tiempo de espera y darte un número de existencias de seguridad. Podemos discutir todo el día sobre cómo se ve la distribución de eso y si una distribución normal es la adecuada, pero así es como se aborda esa desviación en el error de pronóstico en la mayoría de las empresas para las que he trabajado y en la mayoría de las empresas que he escuchado presentar en conferencias.

Conor Doherty: Pasaré a la última pregunta. ¿Cómo deberían los modelos de aprendizaje automático manejar los ajustes para eventos conocidos como un nuevo cliente importante que no se incluyen en los factores causales del pronóstico estadístico? Joannes, te toca responder primero.

Joannes Vermorel: Una vez más, aquí estamos tocando el problema de lidiar con información donde no tienes una estructura algorítmica clara, y no puedes invocar el aprendizaje automático como una palabra de moda para decir: “Oh, la tecnología va a hacer algo por mí aquí”. Aquí estamos entrando en el territorio del pronóstico informal. Para la audiencia, realmente recomiendo el libro de Philip Tetlock llamado “Superforecasting”. Si no tienes una línea de base clara, ¿qué haces?

El aprendizaje automático no proporciona una respuesta a esta pregunta. El aprendizaje automático, al menos el paradigma clásico de aprendizaje automático que es el aprendizaje supervisado, entrada-salida, no proporciona una respuesta a esta pregunta en absoluto. Creo que si lees lo que ha hecho el Proyecto Good Judgment y las técnicas que han desarrollado, han desarrollado técnicas de inteligencia superior. Lo que quiero decir con inteligencia superior es que para aplicar estas técnicas, estamos buscando algo que exhiba el mismo tipo de inteligencia difusa como un LLM o superior.

Han identificado técnicas hablando con super pronosticadores, personas que han sido pioneras y han demostrado habilidades de pronóstico superiores en este tipo de situaciones, y han analizado qué tipo de técnicas tenían en común todas esas personas. Sorprendentemente, todos llegaron a un conjunto de técnicas similares. En resumen, hay técnicas, pero requieren mucho juicio. Basándonos en esos resultados empíricos, no creo que si tienes una situación así, puedas salirte con la tuya solo con un algoritmo de aprendizaje automático.

Necesitas construir un caso, un poco como un caso de negocio en el mundo empresarial donde tienes que diseñar tus propias suposiciones, descomponer el caso, evaluar los diversos factores e intentar llegar a algo que sea razonable. Pero usar palabras como “razonable”, ¿qué significa eso formalmente? Es muy difícil, y sin embargo, las personas pueden realmente analizar una justificación y estar de acuerdo en eso.

Entonces, mi opinión al respecto sería, no esperes que el aprendizaje automático clásico sea una respuesta. El LLM tal vez sea una herramienta de apoyo para ayudarte a construir este tipo de razonamiento, ciertamente para generar ideas sobre cómo incluso descomponer y cuantificar los diversos factores en el problema. Pero al final del día, sería un experto en pronósticos quien realmente lo analice y tome una decisión sobre la modelización numérica ad hoc. Esa sería la mejor práctica, al menos basada en esos estudios empíricos del Proyecto Good Judgment.

Conor Doherty: Jeff, ¿qué piensas al respecto?

Jeff Baker: Sí, quiero decir, creo que debemos tener cuidado con demasiado de esto. Ya sea aprendizaje automático, ya sea IA, lanzar demasiadas cosas, ¿verdad? Porque entonces podríamos empezar a confundir correlación con causalidad. Una de las experiencias de aprendizaje clásicas que tuve durante una de mis clases fue un modelo de regresión múltiple. Seguíamos añadiendo factores, añadiendo factores, el ajuste mejoraba cada vez más. Añadimos el precio, y de repente, ¿adivina qué? Si aumento el precio, voy a aumentar las ventas, ¿verdad? Totalmente contraintuitivo. La causalidad obviamente estaba equivocada, pero la correlación era mejor.

Entonces, debemos tener mucho cuidado con eso porque en algún momento, comenzamos a modelar el ruido. Comenzamos a hacer preguntas, ya sea aprendizaje automático o IA, y el problema es que, con la IA, responderá con toda la confianza excesiva de un niño de 5 años que cree en el Ratón Pérez. Esto es exactamente lo que sucede. Así que debemos tener cuidado. Y ahí es donde estoy de acuerdo con Joannes. Tienes que contextualizar eso, encontrar un experto que pueda entenderlo. No intentes construir un modelo perfecto porque en algún momento, tus resultados no serán los que anticipas.

Conor Doherty: Bueno, en este punto, caballeros, no hay más preguntas del público. Pero una última pregunta que puede servir como cierre, un llamado final. Iré primero a Jeff. El tema del debate fue FVA: ¿Es una mejor práctica o una pérdida de tiempo? Ahora, ambos se han escuchado mutuamente durante casi 80 minutos. Jeff, ¿cómo te sientes ahora acerca de esa propuesta? Escuchándote exponer tus puntos y tus refutaciones a Joannes, pareces bastante generoso y aceptas varios de los puntos que Joannes está haciendo. Solo tengo curiosidad, ¿cómo concilias que Joannes pueda tener razón en algunos o todos o muchos de sus puntos? ¿Cómo concilias eso con la posición de que FVA sigue siendo una mejor práctica?

Jeff Baker: Sí, sí. Aprecio este intercambio abierto de ideas y creo que, sí, todavía puedo argumentar que actualmente, el Valor Agregado de Pronóstico es una mejor práctica. Lo necesitamos en el presente.

Barina hizo una gran pregunta antes: en el futuro, a medida que avanza la tecnología, FVA puede volverse cada vez menos una técnica crítica. Tal vez podamos cuantificar esto, tal vez podamos comenzar a parametrizar las cosas, ponerlas en un modelo y tomar esas decisiones automáticamente. Sin embargo, creo que siempre vamos a necesitar un proceso en el que establezcamos colaboración, comprendamos las ventas, el marketing y las influencias externas.

¿Veo su papel potencialmente disminuido? Sí. Hablé de ese cuadrante de alto valor y alta variabilidad, y definitivamente puedo ver que se vuelve menos relevante en el futuro. Pero por ahora, todavía veo FVA como una mejor práctica y creo que seguirá siéndolo mucho después de mi jubilación.

Entonces, en un futuro cercano, sí, FVA sigue siendo importante. A largo plazo, creo que Joannes tiene una visión muy interesante de lo que podría ser y no veo muchos problemas con eso. Diría que estamos alineados en un 50% en muchas de estas ideas.

Conor Doherty: Bueno, gracias, Jeff. ¿Y Joannes, sigues sin cambiar de opinión después de todo lo que has escuchado? En términos simples, ¿es un objeto inamovible y una fuerza imparable en esencia?

Joannes Vermorel: Quiero decir, diría que, si volvemos a lo que llamé la teoría convencional de la cadena de suministro, y FVA es parte de eso, es bastante consistente. Lo concedo.

Entonces, de hecho, si aceptas todas estas ideas, todos esos paradigmas y todo, entonces sí, desde esta perspectiva, no se ve mal. Aún así, sería un poco cuidadoso con la cantidad de burocracia que puedes generar.

Nuevamente, involucrar a mucha gente es una receta para consumir el tiempo de mucha gente. Tan pronto como creas algún tipo de entidad transversal, porque esa sería una que desafiará a todos, eso aún puede crear mucho trabajo innecesario.

Tengo ejemplos en mi red de personas que están haciendo una cantidad inmensa de trabajo innecesario en este tipo de cosas, especialmente todo lo que es periférico o de apoyo a S&OP.

Ahora, Lokad ha estado operando durante más de una década en diferentes paradigmas. Por cierto, Jeff, hay una serie de conferencias en línea que tienen casi 100 horas de contenido en YouTube para respaldar esta visión alternativa.

Pero lo interesante es que cuando optas por diferentes paradigmas, diferentes herramientas, diferentes instrumentos, entonces la gran mayoría de esos problemas desaparecen. Tienes nuevos problemas, completamente diferentes, pero aún así, operativamente terminas con algo muy extraño.

Son cadenas de suministro donde la casi totalidad de las decisiones se toman automáticamente. Y por cierto, tuvimos esta experiencia muy extraña en 2020-2021 donde tuvimos docenas de clientes que enviaron a todo su personal de cuello blanco a casa.

Tuvimos un cliente con más de mil millones de euros en inventario que envió a todo su personal a casa durante 14 meses sin acceso a internet porque querían obtener subsidios del gobierno. Su cadena de suministro siguió funcionando a aproximadamente el 80% de su capacidad nominal con Lokad tomando todas las decisiones sin siquiera supervisión.

Normalmente, generamos las decisiones, pero tenemos muchas personas que validan que lo que estamos generando está bien. Mi opinión es que si puedes gestionar cadenas de suministro hipercomplejas de varios miles de millones durante 14 meses sin que todas las personas hagan esta microgestión, realmente plantea la pregunta sobre el valor agregado de todas esas personas y qué debemos esperar de la automatización.

Creo que la gente habla de IA y todo tipo de cosas, pero la forma en que lo abordo es que no necesariamente necesitas tener un modelo súper sofisticado de billones de parámetros para lograr la automatización.

Mi conclusión es que creo que FVA pertenece a un mundo donde realmente se trata de que las personas piloteen directamente la cadena de suministro. Yo lo abordo desde una perspectiva en la que la máquina pilotea la cadena de suministro y las personas pilotean la máquina, no la cadena de suministro.

Conor Doherty: Bueno, gracias. Como es costumbre aquí, nos gusta dar la última palabra a los invitados. Así que, Jeff, muchas gracias por unirte a nosotros. Si tienes algún comentario final que desees hacer, siéntete libre de hacerlo.

Jeff Baker: No, simplemente muchas gracias por la oportunidad. Aprecio la conversación, muy bien moderada, Conor. Muchas gracias.

Mi objetivo es complacer. Agradezco la participación del público en las preguntas. Creo que siempre es interesante cuando dos puntos de vista opuestos se unen porque creo que ambos salen un poco mejor del intercambio. Sinceramente, agradezco la oportunidad. Un placer hablar contigo.

Joannes Vermorel: Gracias, Jeff.

Conor Doherty: Joannes, muchas gracias por tu tiempo. Jeff, muchas gracias por el tuyo. Gracias a todos por ver. Nos vemos la próxima vez.