Resumen
SMCP y Lokad describieron la gestión de supply chain como economía, no ritual: el inventario escaso debe asignarse donde genere el mayor retorno. En lugar de utilizar nociones retrospectivas como “semanas de cobertura” y reglas de clúster, emplean decisiones probabilísticas de tienda-SKU, explícitas sobre uncertainty, sustitución y capacidad. La automatización libera a las personas de perseguir excepciones para dedicarse al trabajo de comerciante—estableciendo prioridades, midiendo resultados y realizando iteraciones. Las transferencias y los buffers se planifican como elecciones de costo de oportunidad, no como hábitos. El éxito se define menos por los dashboards y más por el comportamiento: los equipos dejan de usar hojas de cálculo, cuestionan supuestos y buscan la mejora continua. El supuesto retorno 10x payback y los ciclos más rápidos reflejan incentivos alineados con el valor de marca a largo plazo en lugar de la numerología a corto plazo.
Transcripción Completa
El discurso original en francés fue traducido al inglés.
Maxime Rabillet: Hola a todos y bienvenidos a este nuevo estudio de caso y testimonio—una intervención que promete ser estimulante. Esta vez nos encontramos en el sector textil, si no me equivoco. Es la única conferencia para este sector en el programa de hoy. Soy Maxime Rabillet, periodista en Supply Chain.
Tratamos de mantener una mano firme—o al menos una perspectiva clara—para garantizar diversidad en este programa y mantener el enfoque en la experiencia real. Como pueden ver, hay cuatro ponentes en el escenario, así que no tengo intención de monopolizar la conversación. Me retiraré rápidamente tras haberles dado la información que dispongo sobre el contenido.
El título es: “Precisión a Escala: la transformación del supply chain de SMCP con Lokad.” Disponemos de 45 minutos y, idealmente, reservaremos los últimos minutos de esta sesión para preguntas de ustedes—o de mí. Ahora les cedo la palabra.
Swann Bareilhe: Perfecto. Hola a todos, y gracias por la introducción. Mi nombre es Swann Bareilhe, soy Partner Supply Chain Scientist en Lokad, y tengo el placer de moderar esta mesa redonda junto a Carole Thomazeau, Yuting Chang y Joannes Vermorel.
Solo para presentar brevemente a nuestros ponentes: Carole Thomazeau es Directora de Business Planning & Supply en Sandro. Yuting Chang es Global Group Transformation Leader en SMCP—SMCP incluye a Sandro, Maje, Claudie Pierlot y Fursac. Y Joannes Vermorel es el fundador y CEO de Lokad.
La discusión de hoy trata sobre la transformación del supply chain que estamos implementando conjuntamente en SMCP. Cubriremos, en particular, cómo evolucionamos el replenishment automatizado para los distintos puntos de venta, y cómo el stock se reequilibra, de forma más general, a través de diferentes plataformas omnicanal.
Nos centraremos un poco en el aspecto técnico, pero no demasiado. Dedicaremos mucho tiempo a la dimensión humana del proyecto y a las lecciones que otras empresas podrían extraer del proyecto que estamos llevando a cabo juntos. En general, haré varias preguntas a nuestros invitados, y al final tomaremos algunas preguntas.
Antes de profundizar en el tema, pongamos el escenario y el contexto en el que operamos. Esto es para ustedes, Carole y Yuting: ¿podrían darnos una visión general de su supply chain? Los diferentes canales de venta, la magnitud de las operaciones de replenishment, órdenes de magnitud para referencias, el número de SKUs?
Yuting Chang: Hola a todos. ¿Me escuchan bien? Genial. Estoy en SMCP como Group Transformation Manager, como se mencionó. Para aquellos que aún no conocen SMCP, tenemos cinco marcas: Sandro Women, Sandro Men, Maje, Claudie Pierlot y Fursac.
Tenemos aproximadamente 1,200 puntos de venta en todo el mundo y cuatro unidades de negocio a nivel global. Para responder a la pregunta de Swann sobre el contexto que nos llevó a buscar una solución de optimización: contamos con una herramienta actual que usamos en todo el grupo y que nos permite gestionar la asignación hasta la boutique.
Sin embargo, le falta la parte prospectiva—el elemento anticipatorio mediante sales forecasting. Como sabrán, en moda tenemos mucha seasonality y muchos productos de temporada. El desafío es, por lo tanto, incorporar esta pieza de sales forecasting y buscar la optimización para que nuestro stock de fin de temporada—el residual—, que es un KPI muy importante para el grupo, esté controlado y, en consecuencia, también se controle nuestro margen.
Carole Thomazeau: Agregaría que Sandro fue, y sigue siendo, el piloto para el grupo en este despliegue de Lokad. Elegimos Sandro por dos razones. Primero, porque cuenta con Sandro Men y Sandro Women, que son dos negocios algo diferentes con ventas que no se comportan exactamente de la misma manera. Segundo, porque los equipos tenían cierto nivel de madurez y estaban listos para ser desafiados.
Implementar un marco también significa cuestionarse a uno mismo y alejarse de las nociones de “coverage” hacia las probabilidades de vender el mejor producto lo antes posible. Así que hay muchos hábitos arraigados por revisar, y por eso elegimos Lokad.
Swann Bareilhe: Muy bien. Ya hemos empezado a tocar la visión de Lokad—la Supply Chain Quantitativa. Dirigiéndome a Joannes: en términos simples, ¿qué es la Supply Chain Quantitativa y por qué se adapta a los desafíos de SMCP?
Joannes Vermorel: El enfoque de Lokad es ver el supply chain como un problema de asignación de recursos. En SMCP, cada euro está en competencia—entre todos los productos en los que se podría invertir. Cada artículo en un warehouse que podría enviarse a un punto de venta, compite entre todos los puntos de venta. Una vez que colocas un artículo en un lugar, no puedes colocarlo en otro.
Luego, cada punto de venta tiene una capacidad limitada para mostrar productos. Esa es la perspectiva de Lokad: adoptamos una visión económica del supply chain. Pensamos en términos de asignación de recursos, y queremos servir al interés económico de la marca a largo plazo.
Enfatizo “a largo plazo” porque esto no es una optimización financiera cortoplacista con la mala reputación que puede acarrear cuando eres muy miope y terminas haciendo cosas imprudentes. Aquí, claramente hablamos de grandes marcas con clientes que a veces han sido leales durante décadas. Estas casas se construyen durante más de medio siglo, por lo que hay que mirar muy lejos.
Esa es la perspectiva económica. El otro aspecto: SMCP vende piezas hermosas, un poco más caras que botellas de shampoo en un hipermercado, por lo que los volúmenes no son los mismos que los de un hipermercado que vende cientos de unidades al día. Nos enfrentamos a volúmenes mecánicamente más pequeños, catálogos muy profundos que se renuevan con frecuencia, y por ello, una gran incertidumbre.
Para completar: tenemos una visión económica de los recursos, y debemos manejar una incertidumbre muy alta que es estructural en el negocio. Si tienes un catálogo muy extenso de artículos de lujo, por construcción aceptas que no venderás diez unidades por artículo por punto de venta por día. Tendrás ventas mucho más intermitentes.
El objetivo de Lokad es unir estos dos aspectos en una receta numérica que, incluso si usamos cosas algo complejas como probabilidades, aún refleja el sentido común de un gerente de tienda experimentado que tomaría decisiones juiciosas sobre el surtido y los niveles de stock.
Yuting Chang: Basándome en lo que acaba de decir Joannes: desde el año del Covid, hemos tenido un desafío fundamental: optimizar nuestra estrategia de compra a través del presupuesto OTB (Open-to-Buy), que está cada vez más restringido. Necesitamos comprar mejor y, por supuesto, asignar mejor.
Cada pieza, incluso si su probabilidad de venta es bastante incierta y bastante baja para cada punto de venta, aún requiere una decisión: ¿a qué boutique debemos enviar este precioso stock? Dado que las ventas durante el período de precio completo son bastante bajas, el desafío de optimizar las ventas al precio completo se vuelve aún más importante.
Swann Bareilhe: Hemos hablado de estrategia y de visión de producto/supply chain. Antes de entrar en el proyecto en sí, ¿hubo otros elementos que los llevaron a elegir a Lokad como socio? La visión es un punto; ¿hay otros aspectos centrados en el trabajo que quieras destacar?
Carole Thomazeau: Sí. Como dijo Yuting, la gestión del faltante de stock está en el corazón de nuestro problema de reposición: compramos en cantidad reducida, por lo que tenemos que asignar al mejor lugar. Al gestionar los faltantes de stock, nos dimos cuenta de que hay muchos criterios a considerar.
Por ejemplo: ¿es la tienda orientada al turismo, y me costará un faltante de stock más allí que en una tienda con una clientela que volverá y esperará un par de días a que la pieza regrese? ¿Mi tienda es “Ship-from-Store”, lo que significa que su stock puede servir también a un segundo canal? ¿Es la amplitud de la oferta mayor o menor; si no tengo la pieza, ¿habrá un cambio a otra pieza?
Estas son muchas restricciones que, de manera manual, un reabastecedor no puede tener todas en cuenta — el cerebro humano no está diseñado para ser multidimensional. Así que terminamos leyendo y gestionando los faltantes de stock basándonos en un único criterio. Lokad nos permitió clasificar todos estos puntos de acuerdo con las prioridades que discutimos juntos, y que realmente optimiza la asignación a ese nivel.
Otro punto importante: las transferencias. Incluso si la asignación está optimizada, en algún momento las transferencias se vuelven evidentes. Esto solía llevar mucho tiempo; los equipos lo hacían a regañadientes. Ahora recibimos propuestas cada mañana, y decidimos si ejecutarlas o no dependiendo de lo que queramos hacer.
Un punto final, en construcción: tenemos estados de stock, KPIs que nos permiten medir muy rápidamente toda la situación, sin pasar días procesando datos. Los datos están ahí, y podemos analizar el problema. A menudo, se tardaban dos días en obtener los datos, y para cuando llegaban, el problema ya estaba obsoleto. Ahora podemos crear dashboards sobre la marcha, ver un ROI real, y ver lo que cada decisión aportó. Simplemente podemos medir cada acción.
Yuting Chang: Para dar una idea del alcance de los SKUs gestionados por el equipo de asignación de Carole: tenemos Sandro Men and Women. Para estas dos líneas, eso es, por colección — tenemos dos colecciones por año, Spring/Summer y Fall/Winter — aproximadamente 3,500 SKUs para gestionar entre 250 puntos de venta.
Este volumen de puntos de venta y el ciclo semanal de gestionar y evaluar: qué productos priorizar, asignar, etc. El equipo se desempeña muy bien con la herramienta actual, pero nunca profundizamos lo suficiente, SKU por SKU, para tomar las decisiones necesarias que optimicen los ingresos. Este volumen es clave para el éxito de una mejor gestión de nuestro residual al final del año.
Swann Bareilhe: Lo que nos lleva a la pregunta: ¿cómo manejaban la reposición antes de Lokad? Recuérdanos lo que hacían antes — lo que era manual, los tipos de reglas existentes — para que podamos visualizar la evolución que trajo el proyecto.
Carole Thomazeau: Todo era manual. La accuracy de la asignación dependía de la experiencia de las personas que la realizaban. Y, como sabemos, hay mucha rotación en estos roles, por lo que cada vez hay una curva de aprendizaje, que es algo larga.
Utilizábamos la cobertura de stock—semanas de cobertura. Como dijo Joannes, cuando las ventas son erráticas—quizás una por mes, 0.8 o 1.2—todavía se redondea a 1. Y 1 es 1, pero no podíamos ver si “el 1” en La Varenne Saint-Hilaire o “el 1” en los Champs-Élysées generarían más ingresos. No disponíamos de esa decisión tan detallada.
Las transferencias también se hacían de forma manual y eran muy lentas; las realizábamos de vez en cuando. La gestión de faltantes de stock se basaba únicamente en los ingresos, lo cual es excesivamente simplista si se compara con todos los criterios que podríamos considerar.
Yuting Chang: Un elemento clave de la herramienta que usábamos antes de Lokad: nos centrábamos principalmente en las ventas pasadas. Decíamos: “Basándonos en las ventas de las últimas semanas, ese es el número promedio de piezas”, y luego: “Queremos cubrir dos semanas de cobertura”, porque ese era el plazo. Esta mecánica, basada en las ventas pasadas, orientaba nuestra decisión, mientras que en la moda la estacionalidad es fuerte.
Tenemos que anticiparnos—enviar stock previamente para satisfacer las necesidades estacionales próximas. El forecast de ventas es un elemento importante: buscamos una desviación de lo que estamos haciendo hoy.
Swann Bareilhe: Joannes, estás muy familiarizado con todo esto. ¿Podrías resumir los tipos de escollos a los que se enfrentan los equipos cuando dependen en gran medida de reglas manuales y forecasts estáticos, especialmente con surtidos rápidos como en SMCP?
Joannes Vermorel: Para mí, hay unas cuantas clases muy distintas de escollos. Lo más importante: tratar a tus mejores colaboradores como co-procesadores de excepción. Tienes un sistema—un ERP—que puede implementar reglas simplistas, pero eso no es suficiente. Terminas con alertas de “excepción”.
¿Y luego? Tomas a tus mejores colaboradores, aquellos con mayor experiencia en el dominio, y tratas su pericia y tiempo como desechables. Repiten los mismos gestos todos los días. Sin embargo, la alta experiencia en el dominio es un recurso escaso en la empresa. Ese es el primer escollo: esta rara pericia, que debería cultivarse, se utiliza como un componente desechable. Cada día necesitas X días-persona, y eso se consume. Simplemente permite que la empresa opere un día más; nada se capitaliza.
Nuestra visión, con Supply Chain Scientist, es robotizar la toma de decisiones no para eliminar la experiencia humana, sino para dar a estas personas tiempo para mejorar la receta numérica, para afinar el matiz del negocio, y para sacarlas de la gestión de excepciones que consume muchísimo tiempo y de la cual no capitalizamos nada. Ese es el punto más fundamental.
Segunda clase de escollos: los modelos de series de tiempo — muy populares, pero totalmente inadecuados para supply chain. ¿Por qué, especialmente en la moda y el lujo? Primero, las colecciones: se supone que una serie de tiempo no tiene principio ni fin; las colecciones tienen un principio y un fin, por lo que eso no funciona.
Luego, mides con mucha precisión y terminas redondeando a la unidad. Como dijiste: un forecast de 0.8 o 1.2 se convierte en 1. Pero redondear a la unidad, en tu negocio, pesa mucho — muchos productos en tienda tienen solo una unidad. Ese redondeo es considerable.
Otro problema: desde el punto de vista del cliente, no entras a una tienda con un código de barras en mente. Hay un halo de artículos que te interesan; lo que importa es atender bien al cliente. Un traje que es un poco más oscuro o más claro podría ser un buen sustituto. Pero si no tienes la talla correcta, no tienes la talla correcta: eso es mucho menos sustituible.
Así que tenemos dos grandes modos de fallo: derrochar tu experiencia más importante y utilizar modelos de series temporales simplistas—populares pero inadecuados—quizás bien para shampoo, no para piezas de lujo.
Yuting Chang: Basándose en ese segundo punto para el textil: la talla es un gran problema. Vendemos mucho en tallas 36/38 para mujeres, por ejemplo. Pero también tenemos clientes que necesitan 34 o 42.
Si el forecast de ventas promedio es 0.3 y, como resultado, enviamos una pieza de talla 42 a cada tienda, eso significa que necesitamos comprar 250 piezas de talla 42 para abastecer todas las tiendas. Entonces nuestro DC no tiene stock restante para reponer tan pronto como ocurra una venta en un punto de venta.
Lo que importa es saber cuándo necesitamos enviar ese 42 a la boutique, y mantener stock de forma centralizada para abastecer el siguiente punto de venta con la mayor probabilidad de vender esa talla 42. Y, basándonos en las reglas y principios de gestión que establecimos con Lokad, preguntándonos: en ese caso, ¿cuántas debo comprar por adelantado—comprando de manera más inteligente en relación a cómo asignamos ese 42.
Swann Bareilhe: Hemos hablado mucho sobre la automatización y sobre capitalizar la experiencia humana. Eso nos lleva a los éxitos del proyecto que hemos estado llevando a cabo conjuntamente durante un año. ¿Tienes ejemplos que te gustaría destacar—ya sea de la fase del proyecto (cómo trabajamos juntos) o ahora en operaciones (que es algo diferente a la fase de pura implementación)?
Carole Thomazeau: El proyecto: comenzamos en enero, y para junio ya teníamos soluciones integradas en nuestros sistemas. Fue bastante rápido y muy colaborativo, porque en Lokad no son “sólo científicos”, sino supply chain scientists—y esa palabra es super importante.
Desafían nuestros hábitos—“¿por qué hacemos esto?”—con sus mejores prácticas, etc. Tenemos discusiones reales que mantienen el proyecto vivo; no se trata solo de configurar parámetros y “enchufar una máquina.” Lo co-construimos.
Recuerdo un desafío que le di a Swann un mes antes de las ventas: le dije, “Quiero transferencias antes de las ventas para poder entregarlas.” Él dijo, “Bueno, aún así…” Yo pensé, “Tú puedes hacerlo.” Y obtuve mis transferencias para las ventas. Hay un fuerte compromiso y capacidad de respuesta en el equipo.
Lo que quiero decir es que una clave del éxito es la adhesión del equipo. Les dije: “Dejen de hacer. Observen, analicen y piensen en cómo podemos hacerlo mejor.” Eso podría inquietar a un equipo, pero en absoluto. Están super comprometidos. Cada mañana tienen ideas y le preguntan al equipo de Swann: “¿Podríamos mejorar esto, aquello?” El hecho de que tengan ideas demuestra que la herramienta funciona y que se han apropiado de ella.
Se han capacitado: ahora piensan en lo que hacen. No sólo hacen; piensan en lo que hacen y por qué lo hacían. Hemos tenido ROI en las transferencias. Bloqueamos menos stock para ecommerce—aunque yo intento bloquear un poco más—pero antes bloqueábamos demasiado y no enviábamos a retail a pesar de que había ingresos en tienda. Se han roto viejos hábitos.
Yuting Chang: Operativamente, conozco muy bien la herramienta anterior. Imagina esto: el lunes por la mañana, cada gerente de asignaciones se sienta y pasa dos días revisando productos. Al final, debido a que tenemos tantos SKUs y tiendas para revisar, después de dos días dices: “Pasé por el top-20 de nuestro ranking y logré recortar el prod de nuestro flop-20.”
Todo lo que está en el medio—más o menos lo conocemos, pero no con certeza. Con la herramienta anterior, era muy laborioso. Hoy, lo que le pedimos al equipo es un cambio de mentalidad.
El lunes por la mañana, abres tu computador, miras los KPIs que hemos establecido: revisa la tasa de faltante de stock, la cobertura de stock, y dinos qué acciones faltan para la semana. En lugar de sumergirte de inmediato en la asignación a nivel de SKU, escribiendo la cobertura, manejando excepciones tienda por tienda—“este producto, esa tienda”—y diciendo: “En una localización más rutinaria, necesito asegurarme de que haya talla 42, porque una vez que el cliente ha venido y se ha ido, no volverá.” Es una mentalidad de torre de control para operaciones en lugar de tener la cabeza siempre agachada.
Carole Thomazeau: En resumen, se han convertido en comerciantes. Antes, eran técnicos. Plantean las preguntas correctas: cómo animar el negocio cada lunes y mantener un crecimiento homogéneo. Eso es enorme. Han ganado productividad, y ahora tienen tiempo para hacerlo.
Swann Bareilhe: Si tuvieras que hablar de Lokad a colegas en SMCP que no trabajan diariamente en operaciones?
Carole Thomazeau: Primero, todas las marcas quieren adoptarlo. Hemos tenido que hacer una lista de espera en nuestra hoja de ruta. ¿Cómo lo presento? Para mí, el enfoque probabilístico es realmente importante: “el 1”—¿qué vale un “1” en La Varenne Saint-Hilaire frente a un “1” en los Campos Elíseos? No había visto una herramienta que ofreciera eso de otra forma.
Luego está la calidad del soporte, la calidad de las personas con las que hablamos, y el hecho de que es una mejora continua. Tenemos una nueva idea—no vamos a romper todo—sino un nuevo parámetro, un pequeño ajuste, porque el contexto significa que lo que hicimos hace un mes ya no funciona. Es fácil de implementar.
Una vez a la semana, tenemos reuniones con el equipo de Lokad—con Tristan y Cyril—y decimos: “Nos gustaría impulsar stock aquí, ¿podemos aumentar algunos parámetros?” Hay muchos parámetros dados al usuario—no dependemos de ellos—pero sí tenemos mejoras continuas en la herramienta.
Yuting Chang: Conocimos a bastantes proveedores durante la fase de selección que querían optimizar nuestra tasa residual al final de la temporada y así mejorar nuestro margen. Algunos propusieron soluciones plug-and-play: tú das los datos, los umbrales están listos, etc.
Lo que nos convenció de Lokad es el enfoque hecho a la medida: lo co-construimos en torno a las necesidades específicas de nuestras marcas. Cuando dices “hecho a la medida”, podrías preocuparte por el tiempo: si no se enmarca correctamente, anuncias un proyecto de seis meses y se extiende a un año o más. La clave del éxito aquí es que el equipo de Lokad se apoya en su experiencia supply chain: pueden enmarcar la necesidad con el negocio, orientarla en la dirección correcta, y al final nos mantenemos en la línea de tiempo anunciada inicialmente. Para una solución custom, ese es un factor clave de éxito en mi opinión.
Swann Bareilhe: Gracias. Joannes, ¿cómo presentas Lokad cuando hablas con un nuevo CEO?
Joannes Vermorel: Hace algunos años solía señalar que la mayoría de nuestros prospectos tienen media docena de fracasos en su historial en los últimos veinte años. Si media docena de proveedores fallaron, quizás el problema no sea “este proveedor versus aquel.” Hay un problema de método, fundamentos, enfoque.
Para los interesados, en nuestro stand tenemos un libro que publiqué hace una semana—“Introduction to supply chain”—el cual recopila por qué, en mi opinión, las teorías clásicas de supply chain fallan, llevando a fallos operativos, y qué otros puntos de vista te dan la oportunidad de hacer que las cosas funcionen.
Muy concretamente, en Lokad tratamos de ser el socio operativo de la supply chain. A través de supply chain scientists, queremos asumir la responsabilidad—esto puede sorprenderte—una responsabilidad personal por la calidad de las decisiones. Cuando escribes una receta numérica, en cierto modo, esa eres tú. No es “un sistema” generando decisiones: tú escribiste una receta numérica que entiendes, y si algo sale mal debes hacer ingeniería inversa para ver qué ocurrió y entenderlo.
Esta asunción de responsabilidad es muy importante y bastante atípica. No nos consideramos un proveedor de software que dice: “Aquí hay una lista de características,” marcando 600 casillas en un RFP, y luego dejándote dispararte en el pie con esas casillas. Asumimos que la parte técnica es nuestra carga, para que puedas—como aprecié en los comentarios—razonar como comerciantes, sin que las tecnicidades se conviertan en un obstáculo por el jerga tecnocrática.
El rol de los supply chain scientists es asumir esa responsabilidad para que las personas que son comerciantes, especialistas en piezas de lujo, puedan ejecutar su estrategia sin quedarse atrapados en los detalles. Hablamos de algoritmos probabilísticos pero—y hablo bajo tu control—no creo que tus equipos necesiten manejarlos en detalle. Es abstracto para ellos.
Carole Thomazeau: Completamente. Miramos la decisión final. Cuando preguntamos, “¿Por qué se envió la pieza a esta tienda en lugar de a otra?,” generalmente está justificado, es tangible y medible. Y, sin embargo, disecamos todo. Le di a Swann muchos escenarios, diciéndole “No estoy de acuerdo—¿por qué está haciendo esto?” y al final es lógico.
Yuting Chang: Lo que importa es la capacidad de explicación que proporcionan los supply chain data scientists. Trabajamos muy de cerca con Swann y su equipo; ellos son los que programan. Si nos preguntan, “¿Cómo explicas la decisión propuesta por la herramienta Lokad: por qué no enviar a los Campos Elíseos y en su lugar enviar a Provenza?,” siempre tenemos una explicación basada en las cifras mostradas en la herramienta. El equipo de Carole está convencido; confiamos en estas decisiones; y con el tiempo ni siquiera necesitamos revisar cada punto porque sabemos que hay una razón detrás.
Swann Bareilhe: En cuanto a la responsabilidad, el apoyo del supply chain scientist es central. Personalmente, incluso hay un aspecto emocional con los clientes con los que trabajo—SMCP en particular. Nos interesa no sólo entregar características, sino entregar decisiones que funcionen.
Regularmente observo el desempeño de las ventas; además, yo mismo voy a las tiendas de Sandro o Fursac, incluso si mi esposa va a Maje y Sandro. Hay un lado humano y un compromiso personal que tratamos de cultivar y traer a través de la implementación de una solución.
Yuting Chang: Es una asociación muy interesante y sólida que hemos construido entre SMCP y Lokad. Incluso hemos planificado espacios de escritorio en nuestra sede.
Swann Bareilhe: El tiempo vuela, así que empecemos a cerrar. Joannes, llevamos aproximadamente un año en el despliegue. ¿Cómo describirías un impacto razonable a esperar de un proyecto de Lokad después de, digamos, de 6 a 12 meses—un horizonte a mediano plazo?
Joannes Vermorel: Esencialmente, apuntamos a un retorno de la inversión de al menos ×10 en relación a lo que cuesta Lokad. Eso puede sonar alto, pero para software empresarial—donde hay riesgos—eso parece razonable. Si te comprometes con una tecnología algo compleja y, en papel, no ves un retorno potencial de ×10, probablemente haya otras prioridades. Eso es importante.
Un criterio heurístico de éxito: cuando los equipos heredados logran dejar de lado sus hojas de Excel. En cuanto alcanzamos eso—independientemente de las mediciones—sé que la iniciativa va por buen camino. Cuando la gente abandona Excel, significa que hemos resuelto todos esos problemas que los estaban afectando—a menudo una serie de pequeños problemas, no necesariamente grandes. Luego pasamos a la mejora continua, y la trayectoria es muy buena.
Señalaría que, para la gran mayoría de las iniciativas de supply chain, no hay mejora continua. Las empresas tienen un sistema, lo utilizan durante diez años, y luego dicen, “Estamos hartos, lo tiramos y empezamos de nuevo.” Es una lástima. La supply chain no debería mejorar una vez por década mediante un gran bang. Si podemos progresar un poco cada semana, es mucho mejor. Unos años después, el balance favorece claramente la mejora continua en comparación con aquellos que se estancan durante una década antes de dar otro salto.
La idea entonces es expandir el alcance, siempre con un retorno muy fuerte. Pero el efecto más medible es también la calidad de las discusiones y análisis que mejora. Podemos perseguir ganancias en ingresos de un solo dígito porcentual—toma algunos años, pero los órdenes de magnitud son significativos. No estamos hablando de 0.01%; literalmente estamos agregando un punto completo de margen en términos absolutos—y varios puntos en los mejores casos.
Para eso, una vez en producción, los equipos deben ser capaces de abordar preguntas muy difíciles. Por ejemplo: ¿qué significa “calidad de servicio” en una tienda de lujo? No es sólo una métrica de service level. Las personas que dicen “97% service level” se pierden el punto—ese es un tema complicado.
¿Cómo valoramos la visión de lujo: defendiendo un posicionamiento de precio de muy alta gama, manteniendo una percepción del cliente muy favorable con una visión a largo plazo de una década? Es un ejercicio difícil. Lo que es muy interesante es que, una vez que has resuelto los problemas operativos, puedes pasar a estas discusiones, donde los equipos operativos desafían a los supply chain scientists: ¿cómo afinamos esta visión a largo plazo mientras tenemos un mecanismo automatizado para gestionar el día a día? Esa es la paradoja: mirar muy lejos, a pesar de que cada día debes emitir un conjunto completo de micro-decisiones.
Swann Bareilhe: Última pregunta antes de abrirlo a la audiencia. Si un colega se acercara a ti y te pidiera una lección del camino recorrido, ¿qué le dirías?
Carole Thomazeau: Todos hablan sobre AI, automatización, y así sucesivamente. La clave es combinar la tecnología con la inteligencia operativa. Los equipos que hacen reabastecimiento tienen business intelligence operativa. Hemos logrado combinar su conocimiento—no tenían tiempo para hacer todo—con una herramienta que les ayuda a ir más rápido y ser más efectivos.
Yuting Chang: En el mismo sentido: hablamos mucho sobre AI. Pero, ¿qué es exactamente AI? ¿Qué puede realmente mejorar en la eficiencia operativa y, en última instancia, en el margen? A menudo, AI es una caja negra: realmente no sabemos qué sucede en su interior. Con Lokad, vuelvo a la explicabilidad: cada decisión tomada se explica y se entiende.
Si el director de ventas nos pregunta, “¿Por qué decidieron enviar estas piezas a esa tienda más grande y de mayor ingreso en lugar de a otra?,” podemos responder. Esa explicabilidad genera confianza no sólo internamente en el departamento de supply chain—el equipo de Carole—sino también externamente: el departamento comercial, etc. Eso es lo que encuentro interesante en el enfoque de Lokad.
Swann Bareilhe: Gracias nuevamente por sus contribuciones, Carole, Yuting, y Joannes. Pasemos a las preguntas. No tendremos mucho tiempo, pero tengo una sobre explicabilidad: ¿también se necesita explicabilidad hacia las tiendas? Mencionaste los Campos Elíseos o en otro lugar; en algún momento, ¿no se sentirán tentados “en otro lugar” a decir, “Nunca recibo las piezas con el mejor potencial”?
Carole Thomazeau: Primero, no es “nunca”. Las tiendas más pequeñas, debido a que tienen una oferta más reducida, pueden recibir más que antes. Anteriormente, automáticamente descartábamos la tienda más pequeña y suministrábamos a las más grandes—algo que la herramienta ya no hace. Y sí, hay un tema real de gestión del cambio con los equipos: explicar a los equipos digitales por qué tienen menos stock reservado; explicar a retail que les suministraremos en un lead time de una semana en lugar de dos.
Pero, como dijo Yuting, dado que todo es explicable y medible, no es un problema.
Yuting Chang: Yo diría incluso lo contrario. Con la herramienta anterior, nos organizábamos por clústeres. El clúster A significa tiendas que generan más ingresos, son más grandes, etc. Ahora miramos la priorización de la gestión de stock basada en las ventas de esa tienda en particular de ese SKU en particular. Eso favorece en realidad a las tiendas más pequeñas que sí venden, pero que anteriormente eran opacadas por las tiendas “más grandes” que vendían tres por semana. En realidad, la tienda más pequeña vende; simplemente no teníamos tiempo de revisar ese SKU y ese punto de venta anteriormente.
Audience: Hola. Mencionaste la co-construcción, y se puede percibir el entusiasmo y el placer que tuviste haciéndolo. Ahora estás en una colaboración continua—entendí que incluso planeas un posible espacio de oficina para el equipo de Lokad—y en ambas direcciones. ¿Cuánto tiempo dura esto? ¿En qué momento planeas tener Supply Chain Scientists en tu organización, o el modelo es depender de la organización de Lokad?
Yuting Chang: Gracias, es una muy buena pregunta. Para ser transparente, discutimos esto internamente e incluso con el equipo de Lokad. Lo interesante es la discusión transparente con el socio: si algún día, en la hoja de ruta interna de SMCP, planificamos la capacidad de supply chain data scientist, Lokad está abierto a que incorporemos esas capacidades internamente.
La pregunta es si SMCP tiene esa ambición. Por ahora, no tenemos la respuesta. En cualquier caso, dentro de la colaboración con Lokad, es una opción; no es un tabú.
Joannes Vermorel: Añadiré que todo el código de la receta numérica que Lokad co-construye con sus clientes es propiedad del cliente. El código ya está en manos del cliente. Lokad no es una tecnología oculta en un paquete de software. Lo que queda es una cuestión de ambición: ¿quieren desarrollar esa capacidad internamente? Estamos totalmente a favor de capacitar a las personas si están interesadas.
Carole Thomazeau: Confirmo que el código es realmente accesible—yo mismo entré a modificar ciertas tablas.
Audience: Y al mismo tiempo, si seguimos tu razonamiento, probablemente añades más valor al mantenerte enfocado en elaborar los criterios y en estar centrado en el cliente, con un equipo a tu lado. Si integras data scientists, hay rotación, tendrás que capacitarlos de nuevo, mantener las mejores prácticas… Seguramente hay un gran valor en continuar colaborando.
Más allá de los equipos, explicaste que aprovechas tu mejor experticia, la cual dedica más tiempo a añadir inteligencia a los criterios a definir. ¿Estos criterios evolucionan regularmente? ¿Los cambias? Cuando adoptas una nueva gama, ¿tienes nuevos criterios? ¿Trasladas aprendizajes de una gama a otra? ¿Cómo tomas esa decisión? Al final, no es solo el ingreso lo que determina tu elección.
Carole Thomazeau: Los criterios: antes, “Ship-from-Store” podía convertirse en un nuevo criterio. Las tiendas elegibles para Ship-from-Store entran en un criterio de asignación que no teníamos hace dos años cuando no todas eran Ship-from-Store. Tiendas turísticas: las tiendas no cambian todo el tiempo, pero cuando abrimos una nueva tienda—¿será turística o no?—, la priorizaremos en consecuencia.
Más que criterios “fijos”, se trata más de dónde estamos en la temporada: al inicio de la temporada, el costo de enviar una pieza a una tienda donde no será útil es menor que al final de la temporada. Por ello, realizamos ajustes en el lead time y en la asunción de riesgos a lo largo de la temporada y dependiendo de la calidad del stock que tenemos en el almacén.
Audience: Correcto. Y ahí es donde pones la inteligencia. El resto lo has robotizado, como dijiste.
Swann Bareilhe: Gracias. Ya estamos realmente al final; podemos continuar la discusión después. No vi quién quería hacer una pregunta. Gracias por la presentación. Tengo una pregunta corta para Lokad, para entender mejor el enfoque cuantitativo de la supply chain. Entiendo que hay modelos matemáticos que toman datos y calculan una propuesta de asignación—posiblemente para el caso de SMCP. Entonces, ¿existe un tiempo de entrenamiento para estos algoritmos? ¿Está incluido en el proyecto, o es instantáneo?
Joannes Vermorel: La respuesta larga: Te invito a leer “Introduction to supply chain,” disponible en Amazon, que detalla lo que hacemos. Nuestros algoritmos son públicos. En términos generales, existen tiempos de entrenamiento, pero mi enfoque es tener cosas que normalmente puedan entrenarse en menos de 60 minutos, utilizando potencialmente recursos de computación en la nube muy distribuidos, para mantenernos muy ágiles.
¿Hay entrenamiento? Sí. ¿Empleamos enfoques que toman semanas para que un modelo converja? No. Desde nuestro punto de vista, es muy importante poder reentrenar estos modelos potencialmente varias veces al día. No es que la supply chain cambie tan rápido; es que cuando el negocio plantea una objeción o una reorientación estratégica, no queremos esperar tres días a que el procesador termine.
Alguien dice: “¿Y si abordáramos el tema de esta manera?” Necesitas relanzar el entrenamiento, y queremos que el resultado llegue rápidamente—al menos para saber: “Si lo hacemos de manera diferente, ¿cómo se ve?” Así que sí, nuestros modelos—tanto de aprendizaje como de optimización—tienen tiempos de cómputo, pero intentamos mantenerlos siempre por debajo de 60 minutos, sin importar el tamaño de la empresa, para seguir siendo muy ágiles operativamente.
Maxime Rabillet: Gracias a los cuatro por esta sesión estimulante. No tengo duda de que también generará conversaciones posteriores al escenario. El stand de Lokad está justo allí. Gracias a todos.
