El costo oculto de la precisión del forecast

00:00:00 La precisión del forecast distrae, monopoliza el ancho de banda de la gestión
00:03:30 La mentalidad de series de tiempo ignora la agencia, la fijación de precios, la sustitución
00:07:00 Una mayor precisión puede reducir los beneficios en la práctica
00:10:30 La precisión es ciega a las brechas y umbrales del surtido
00:14:00 La granularidad y los hábitos importan más allá de las series de tiempo
00:17:30 Las métricas mejoradas a menudo fracasan en la implementación en el mundo real
00:21:00 Los forecasts generan trabajo manual; la automatización sigue bloqueada
00:24:30 ¿Ignorar la demanda censurada? Pierdes la economía de canastas
00:28:00 La estabilidad supera a la precisión para operaciones factibles
00:31:30 Mitos de la planificación: demanda fija, tiempos de entrega normales
00:35:00 Los KPIs correlacionados con el beneficio no son ‘forecast accuracy’
00:38:30 Los KPIs económicos superan los errores estadísticos ordenados
00:42:00 La precisión no está vinculada direccionalmente con el beneficio
00:45:30 Enfócate en las decisiones; cuantifica los impulsores económicos
00:49:00 Muestra, itera; apunta a decisiones sin locura
00:52:30 Olvida el S&OP; prioriza las decisiones de asignación de recursos
00:56:00 KPIs unificados con parámetros específicos por categoría
00:59:30 Si estás bloqueado, cambia de empresa para avanzar
01:03:00 Presenta un cambio con P y L; propuestas concisas

Resumen

Las empresas persiguen la precisión del forecast porque es medible, no porque genere dinero. La métrica—MAPE, MAE—premia la reactividad y las estimaciones puntuales, ignorando la agencia, los precios, la canibalización, la variabilidad en los tiempos de entrega y los efectos de canasta. Puedes mejorar accuracy y empeorar las decisiones: los ceros “ganan” con la demanda intermitente; forecasts volátiles hacen tambalear los pedidos a través de supply chains con mecanismos de rachet. FVA y S&OP añaden costo y retraso. Comienza desde las decisiones y la economía: márgenes, penalizaciones por faltante de stock, riesgo de sobrestock, coste de oportunidad—modelado probabilísticamente—luego itera hacia “zero insanity”. Utiliza KPIs unificados basados en P&L; si la empresa no pivotará, construye el caso o cambia de empresa.

Resumen Extendido

La obsesión por la precisión del forecast es un caso clásico de medir lo que es conveniente en lugar de lo que importa. Las empresas destinan tiempo y dinero gerencial para reducir los indicadores de error—MAPE, MAE y similares—bajo la suposición de que errores más pequeños significan mayores beneficios. La evidencia en terreno dice lo contrario: la correlación es a menudo débil, a veces negativa. Puedes obtener una precisión “mejor” y tomar peores decisiones.

¿Por qué? Porque la precisión de las series de tiempo trata el futuro como una extensión inerte del pasado. Asume la ausencia de agencia, movimientos en la fijación de precios, canibalización, sustituciones y fricciones operativas como la variabilidad en los tiempos de entrega y las devoluciones. Se observa al microscopio mientras los elefantes—diseño del surtido, comportamiento del cliente, efectos cruzados de canastas—atravesan la sala. En el comercio minorista, un forecast preciso que indica que una colección mal diseñada fracasará sigue siendo un fracaso de la gestión, no un triunfo de las matemáticas.

Buscar la precisión a menudo recompensa la inestabilidad. Haz que los modelos sean hiperreactivos y obtendrás errores más bonitos mientras los pedidos de compra se ven oscilados a través de supply chains con mecanismos de rachet. Con una demanda intermitente, forecastear ceros puede “ganar” en la métrica y perder el negocio. En los extremos—donde realmente se vive la economía—la precisión alrededor del promedio omite las realidades costosas: faltantes de stock que arrebatan canastas completas a un competidor, riesgos de sobrestock que dan de baja perecederos, un tornillo de $20 que paraliza un avión.

Los complementos institucionales—programas FVA, reuniones que ritualizan la “alineación” (S&OP)—añaden costo sobre la distracción. Los lentos ciclos de sincronización manual son un impuesto a la agilidad. Mientras tanto, pelotones de planificadores deben “traducir” point forecasts en decisiones viables porque los insumos se expresan con una granularidad incorrecta e ignoran las incertidumbres adecuadas.

La alternativa no es mística; es gerencial. Comienza desde las decisiones, no desde los forecasts: qué comprar, dónde colocar, a qué precio, hoy. Asocia impulsores monetarios a cada decisión—márgenes, penalizaciones por faltante de stock, riesgos de sobrestock, costes de oportunidad, restricciones de personal—y trata la incertidumbre de forma probabilística. Itera con los practicantes mediante “optimización experimental” hasta alcanzar el objetivo: no cero inexactitud, sino zero insanity. Mantén una receta económica unificada en todas las categorías, ajustando los parámetros donde sea necesario, porque todas las categorías compiten por el mismo efectivo y capacidad.

En cuanto a los KPIs, si un matemático reconociera tu fórmula como “accuracy”, probablemente no sea economía. Los KPIs reales, vinculados a los beneficios, son desordenados, específicos del negocio y verbosos—porque la realidad lo es. Y si una empresa está estructuralmente comprometida con el fetichismo de la precisión, las opciones racionales son dos: construir un caso basado en P&L para el cambio, empaquetado de forma concisa para los ejecutivos—o cambiar de empresa. Los incentivos, no los eslóganes, determinan los resultados.

Transcripción Completa

Conor Doherty: Esto es Supply Chain Breakdown, y hoy desglosaremos el costo oculto de forecast accuracy. Ya saben quién soy.

Soy Conor, Director de Marketing aquí en Lokad. Y a mi izquierda, el incansable Joannes Vermorel, fundador y CEO de Lokad. Ahora, hoy, antes de comenzar, comenten abajo: ¿creen que una mayor forecast accuracy es un KPI que vale la pena perseguir? Y si es así, ¿por qué?

Comentad abajo. Están hablándome directamente hoy. Cualquier cosa que pregunten, cualquier comentario, cualquier pregunta, se la haré directamente a Joannes en unos 20 minutos. Y con—disculpen—y con eso, Joannes, empecemos. Primera pregunta: ¿de qué estamos enojados hoy? ¿Cuál es nuestro problema con forecast accuracy, la base del negocio?

Joannes Vermorel: No diría que es la base del negocio—tal vez la base del supply chain management. Ahora, el verdadero problema es que para casi todas las empresas, considerando lo que están haciendo actualmente, es una distracción total. Es una distracción masiva que ha estado ocurriendo durante décadas.

Cuando hablamos del costo oculto, diría que el problema—la bronca que tengo con forecast accuracy—es que, nuevamente, para casi todas las empresas que operan supply chains, esta cosa, este artefacto, consume más de la mitad del ancho de banda de la gestión por muy, muy poco beneficio. Mi punto es que es una distracción enorme, que incluso puede empeorar cuando la gente comienza a instrumentarla de maneras que simplemente complican el proceso alrededor de forecast accuracy por, nuevamente, muy, muy poco beneficio.

Conor Doherty: Si estás diciendo que el concepto de forecast accuracy monopoliza el ancho de banda, ¿estás limitando la crítica—o el costo—a solo lo abstracto como el tiempo, el foco, la atención? Porque muchos argumentarían, estoy seguro, que también existe una dimensión financiera concreta al respecto.

Joannes Vermorel: Sí. Primero, cuando comienzas a mirar hacia el futuro—nuevamente, para casi todos—cuando empiezas a mirar hacia el futuro, hay tantos elefantes que se ignoran por completo. ¿Adoptas la perspectiva del cliente para que puedas ver siquiera la canibalización y la sustitución? Si no lo haces, no estoy muy seguro de lo que exactamente estás haciendo con tu forecast.

¿Tomas en cuenta los precios? Porque cada vez que quieres proyectarte hacia el futuro, tienes que considerar tus propios precios y los de tus competidores. Verás, el problema peculiar que tengo con forecast accuracy es que la mentalidad tradicional de supply chain mira al futuro exactamente como un astrónomo observa la posición futura de los planetas. Existe una simetría completa entre el pasado y el futuro—una simetría de inversión temporal—y se asume que el futuro es solo la extensión del pasado.

Lo que es extremadamente extraño es que, en la manera clásica de mirar al futuro—de ahí forecast accuracy—es como si la empresa no tuviera ninguna agencia en lo que respecta al futuro. Es simplemente la perspectiva de las series de tiempo. Hemos visto que la canibalización y la sustitución son problemas. Tienes el efecto de los precios. También tienes el hecho de que las empresas van a dedicar casi todos sus esfuerzos a forecastear la demanda, pero ¿qué pasa con las otras fuentes de incertidumbre—tiempos de entrega, devoluciones, etc.?

Entonces, podemos ir más allá y preguntar: ¿qué hay de la granularidad con la que estás forecasteando? Incluso si aceptamos la premisa de que vamos a hacer esos forecasts, ¿de qué granularidad estamos hablando?

La granularidad de series de tiempo—que asume que puedes mirar el futuro en intervalos equidistantes, por día, por semana, por mes—no es necesariamente sensata. Hay muchos negocios para los que no lo es. Y además, estás ignorando la incertidumbre. Ese es un problema con los point forecasts.

Es una cantidad enorme. Es como una manada de elefantes—no estoy muy seguro de cuál es el término adecuado en inglés para muchos elefantes.

Conor Doherty: O una manada o una estampida. Voy a adivinar algo así. Estampida de elefantes.

Joannes Vermorel: Tantos elefantes en esta sala que simplemente se están ignorando, y muchas empresas quieren enfocarse en la precisión. Realmente desafía eso. Para mí, parece que tienes toda una sala sobre la cual no sabes nada. Tienes un microscopio; estás mirando un diminuto milímetro cuadrado, y dices: “OK, lo que necesito es un microscopio más grande.” Realmente cuestiono la idea de que lo que necesitas es un microscopio más grande y mejor.

Conor Doherty: Dos puntos clave aquí: uno, es una manada de elefantes; y dos—para ser al menos caritativos aquí—tú, en tu primer disparo, hablaste de la casi totalidad de empresas que gastan cantidades desorbitadas de, digamos, dinero y atención y recursos—asignando recursos—por muy poco beneficio.

Joannes Vermorel: ¿Te refieres al retorno al alza? OK.

Conor Doherty: Antes de deconstruir eso demasiado, ¿cuál es la posición más fuerte al respecto? ¿Qué creen al menos que es el beneficio de lo que están haciendo?

Joannes Vermorel: Creen que, cuando abordan el futuro a través de point forecasts basados en series de tiempo y adoptan una métrica que es un indicador unidimensional como el error porcentual absoluto medio (MAPE) o el error absoluto medio (MAE), o alguna de las métricas típicas, asumen que la minimización de este criterio está positivamente correlacionada con los beneficios de alguna manera. Realmente cuestiono esta posición.

Muy frecuentemente hay muy poca correlación o ninguna correlación, y a veces incluso una correlación inversa, lo que significa que un forecast que puede ser más inexacto puede, de hecho, hacer que la empresa sea más rentable. Eso fue, por cierto, uno de los primeros descubrimientos que hice en Lokad hace 15 años. Estábamos ofreciendo forecasts superiores en términos de precisión, y muy frecuentemente esto en realidad estaba creando caos y perjudicando los negocios de esos pobres primeros clientes. Es contraintuitivo, pero sucede.

Un ejemplo: una de las maneras más fáciles de mejorar la precisión de un proceso de forecast es hacer que el algoritmo de forecast sea extremadamente reactivo, lo que significa que cuando hay pequeñas variaciones en los datos recientes, el algoritmo de forecast responderá muy fuertemente. El problema es que eso significa que tienes un forecast que oscila masivamente todo el tiempo. Así que es un forecast más preciso pero también muy inestable.

En una supply chain del mundo real, hay efectos de rachet en todas partes. Una vez que pasas una orden de compra a un proveedor en el extranjero, si al día siguiente tu forecast de demanda cae repentinamente porque fue solo una fluctuación al alza de tu forecast, te quedas atascado con la orden de compra. Esta es típicamente una situación en la que una mayor precisión no se traduce en rentabilidad; por el contrario, una mayor precisión disminuye tu rentabilidad.

Otra cosa—esta fue la situación que nos llevó a los forecasts probabilísticos hace una década y media: cuando tienes una demanda intermitente, si forecastas cero, usualmente es un forecast muy preciso. Muy frecuentemente, si tienes una demanda intermitente, puedes tener un modelo de forecast que simplemente pronostique cero demanda. Desde una perspectiva estadística, ese va a ser un forecast muy preciso. Pero en términos comerciales, si forecastas cero, reabasteces cero, y vendes cero. No obtienes tantos beneficios basados en eso.

Es ese tipo de ocurrencias lo que se obtiene cuando se persigue la precisión. Tienes docenas de otros problemas. Nuevamente, la creencia de que existe una correlación positiva entre forecast accuracy y rentabilidad es equivocada. Realmente lo es.

Conor Doherty: El término que dijiste antes fue “podría parecer contraintuitivo,” y creo—habiendo tenido esta discusión no solo contigo sino con otras personas—que entender el objetivo de lo que intentas hacer puede ayudar con el grado de contraintuición que experimentas.

Por ejemplo, si crees que una mayor forecast accuracy es la métrica que estás optimizando, entonces decir que un forecast menos preciso no es necesariamente más rentable suena contraintuitivo. Si hablas de tomar mejores decisiones y ese es el objetivo final que buscas optimizar, no somos los únicos en haber señalado—Stephan Kolassa escribió hace un par de años en Foresight—la idea de la “insensibilidad de las decisiones.” Puede que tengas un forecast más preciso y uno menos preciso, pero convergen en la misma decisión exacta debido a, digamos, un MOQ. Así, la forecast accuracy extra no te compró nada. El forecast menos preciso fue más rentable en términos de ingresos netos que el del mercado.

Joannes Vermorel: Tienes tantos problemas con la perspectiva de series de tiempo. Terminas persiguiendo lo que se conoce generalmente como la falacia de McNamara. Tienes el paradigma equivocado. Estás eligiendo las métricas incorrectas. La audiencia puede investigarlo; hay una página de Wikipedia sobre esto—generales equivocados que dirigieron los esfuerzos de la Guerra de Vietnam desde el lado de EE.UU.

Consideremos un ejemplo. Eres una compañía de moda, una marca de moda, y tu problema es que la colección que estás a punto de lanzar al mercado carece por completo de aquello único que encajaría perfectamente con la tendencia actual. Imaginemos que este es el problema. Tenemos una colección a punto de llegar al mercado, y esta ignora por completo el textil, el estilo, el patrón—lo que sea—que estaría súper a la moda.

Conor Doherty: Pantalones de campana en los años 70.

Joannes Vermorel: Y tu forecast es muy preciso. Predice que tu próxima colección va a tener un desempeño lamentable. Gracias. Bien, tienes un forecast muy preciso. Muchas gracias.

Verás, un forecast solo forecasteará—nuevamente, estamos hablando del paradigma clásico, series temporales—solo forecasteará las series temporales que tienes. ¿Qué pasa con un producto que no tienes pero deberías tener? ¿Cómo se tendrá en cuenta esto en tu métrica de exactitud? La respuesta es: no se tiene en cuenta.

El problema principal es que, como paradigma, es muy débil e ignora tantas cosas que, para la casi totalidad de las empresas, es una distracción total porque no han realizado el tipo de trabajo preliminar para que sea una métrica relevante. Si estuviéramos hablando de una empresa que fuera extremadamente madura, que pueda evaluar la demanda pensando en términos de demanda abstracta completamente desacoplada del surtido real que tienes; que ya considere las muchas variedades de incertidumbres—demanda, lead times, precios, devoluciones, etc.; que ya abrace una visión probabilística; que ya abrace una visión funcional—funcional en el sentido de que el futuro depende de decisiones que aún no se han tomado—volvemos a procesos de decisión secuenciales, etc.

Si tomas una empresa que ha hecho todo eso, entonces tal vez ese sea el momento en el que puedas empezar a preguntarte sobre las métricas de exactitud, que serán, por cierto, relativamente extrañas porque lo más probable es que estemos hablando de forecasts probabilísticos. Pero son muchas las bases que deben establecerse primero.

Cuando digo “costo oculto de la exactitud del forecast,” me refiero a que es una distracción total porque esas bases están completamente ausentes, y por lo tanto las empresas persiguen métricas que son extremadamente miope y no reflejan los intereses a largo plazo de sus negocios.

Conor Doherty: Para profundizar en el ejemplo de retail que diste—recuerdo que mencionaste esto hace un tiempo sobre la optimización del surtido. Diste el ejemplo de: si eres un minorista de moda, ¿cuántas camisetas amarillo brillante o rosa brillante quieres en tu colección? No lo harás—bueno, realmente depende del porqué las tienes. Si las tienes porque piensas que las vas a vender, puede que no sea así, porque no vas a vender muchas. Pero no tenerlas hace que tu surtido se vea feo, porque entonces solo tendrás camisas blancas y jeans negros o azules, y la tienda se verá bastante apagada.

Así que intentar capturar el valor de esa camiseta rosa o amarillo en una serie temporal es—“lossy” es el término que usas. Es una representación lossy del valor, o algo por el estilo. Seguro que lo estoy destrozando.

Joannes Vermorel: Sí, de hecho es una representación muy lossy de la información sobre tu tienda. Y ahí es donde digo: ¿cuál es la granularidad? El problema de esos forecasts es que normalmente adoptan una perspectiva que no es muy inteligente.

Si quieres pensar en una tienda, te gustaría pensar: ¿cómo podría optimizar realmente mis decisiones de inventario y de surtido—decisión de surtido, decisión de inventario, decisión de precios—para maximizar la demanda que se atiende exitosamente desde esta tienda? Esa sería una perspectiva. Otro ángulo sería: ¿cómo maximizo el valor a largo plazo de cada cliente individual?

Esto importa, por ejemplo, en la moda: si le das un descuento a un cliente, se crea un mal hábito. El cliente de repente tiene la expectativa de volver. Cuando este cliente regrese, esperará que haya un descuento nuevamente. De nuevo, estamos mirando hacia el futuro. Implícitamente estamos haciendo un forecast.

Cuando la gente empieza a discutir la exactitud del forecast, están tratando de articular un juicio sobre la calidad de su anticipación del futuro. Lo que estoy diciendo es que las cualidades que se obtienen en la cuasi-totalidad de las empresas—atrapadas en un paradigma extremadamente miope, que son forecasts de series temporales puntuales—son tan restrictivas y erróneas que cualquier número que surja en términos de métricas de este paradigma es simplemente una pérdida de tiempo. Es una pérdida de tiempo, y cualquier mejora que pienses que vas a obtener es solo una ilusión.

También he visto evidencia anecdótica—docenas y docenas a lo largo de los años—equipos de data science que presentaron un forecast “20% más preciso” según MAPE o MAE o lo que sea, que nunca pasa a producción porque crea tantos problemas. Lokad, nuevamente hace una década y media, fue parte de esas empresas lideradas por data science que enfrentan este tipo de problemas. Parece que el problema sigue vigente, y desarrollos recientes como FVA—Forecast Value Added—solo están empeorándolo aún más.

Conor Doherty: Ha llegado una pregunta privada. Puedes enviarla de forma privada si no quieres comentar públicamente; la haré al final. Pero volveré a la idea del FVA y la exactitud—porque de eso me acaban de preguntar. Insistiré un poco, porque, de nuevo, el tema es el costo oculto de la exactitud del forecast.

Tu libro está sobre la mesa. La economía es una parte enorme de tu forma global de ver el mundo, y enfatizas repetidamente la importancia de los costos directos e indirectos, siendo los costos de oportunidad los indirectos. Entonces, en términos bastante concretos, ¿cuáles son los costos en la práctica de una empresa que se centra en perseguir la exactitud? ¿Cómo se refleja eso en los gastos o pérdidas del día a día?

Joannes Vermorel: Se refleja en que tus gerentes de inventario o gerentes de producción—o quien sea que tome las decisiones reales—dedican mucho tiempo a retorcer los números para que finalmente puedan llegar a una decisión semi-sensible. A veces las empresas se preguntan: es muy extraño, tenemos un forecast que se supone es preciso, y luego tenemos reglas simples para derivar las decisiones—qué compramos, qué producimos, dónde asignamos el stock, cuáles son los precios. Resulta que se necesita una cantidad inmensa de mano de obra para convertir esos forecasts en decisiones reales.

¿Por qué es eso? Porque los forecasts son tanta tontería que se necesita mucha mano de obra, mucho poder de pensamiento, para hacer todas las cosas que el forecast no está haciendo correctamente. Esas personas, esos equipos enteros, en realidad están haciendo todo el trabajo de pensar adecuadamente en el futuro para que las decisiones realmente tengan sentido.

Ese es uno de los costos ocultos: ¿por qué tu supply chain no está completamente automatizada en términos de decision-making de procesos end-to-end? La respuesta corta es que tus forecasts son extremadamente disfuncionales, y ese es un problema mucho más grave que que tus forecasts sean inexactos.

Son disfuncionales en el sentido de que ni siquiera se expresan de una manera que se preste a procesos de toma de decisiones. No tienen la granularidad adecuada. No se enfocan en las cosas correctas. No tienen la matiz que se necesita, etc. Así que tienes una ilusión de un futuro cuantificado, pero eso es solo una ilusión. Cuando hablamos de la exactitud del forecasting—de nuevo, desde la perspectiva clásica—simplemente estás persiguiendo esta ilusión de cuantificar el futuro.

Conor Doherty: Voy a empezar esto diciendo que no vamos a entrar en una diatriba sobre el FVA, pero solo como ejemplo de costos concretos: a menudo, sabemos que las empresas gastarán una cantidad considerable de dinero de forma directa e indirecta en productos de software para instituir el FVA. De nuevo, no estamos comentando si el FVA funciona o no; es irrelevante. Se lo enumera como un costo, un recargo adicional en pos de una métrica, como: queremos ver qué está sumando, qué está restando o incrementando la exactitud.

Así que no es solo la atención; están los salarios, ¿verdad? Está la atención, está el costo de oportunidad, y en muchos casos—tenemos ejemplos—también hay intervención de software. Eres proveedores, pagando por esto, etc. Así que hay mucho.

Joannes Vermorel: Sí. Y además, por ejemplo, si añades personas al proceso, como se hace en S&OP—parte de la idea del S&OP es de alguna manera aumentar la sincronización, aumentar la exactitud. Quieres que la gente produzca lo que el equipo de ventas está a punto de vender y lo que el marketing está a punto de promocionar. Quieres una sincronización a nivel de toda la empresa. De cierta manera, se trata de perseguir la exactitud para que haya menos desincronización entre todas esas partes.

Pero esto viene con un costo masivo: esta sincronización manual es extremadamente lenta. Para la mayoría de las empresas, es solo una vez cada trimestre, y algunas lo hacen una vez al mes, pero eso ya es muy lento. Incluso si estás entre las mejores empresas que practican S&OP, eso será un ciclo mensual. En mis libros, esto es extremadamente, extremadamente lento. Ese es otro costo asociado con perseguir esta exactitud: de repente, todo lo que haces se atrasa 30 días o más. Esto no es bueno.

Conor Doherty: Estoy de acuerdo, y acabo de anotar un añadido a eso. De nuevo, cuando hablamos del foco—KPIs, a menudo la exactitud del forecast—mencionaste que te deja efectivamente ciego a muchas otras fuentes de incertidumbre porque, en su mayor parte, es la demanda. Estamos forecasteando la demanda, y forecasteamos la demanda de una manera muy específica, que es a través del lente de aquello para lo que tienes series temporales.

Joannes Vermorel: Exactamente. No es toda la demanda. Es aquello donde—efectivamente, lo que haces casi exclusivamente es proyectar ventas de acuerdo a tus ventas históricas. Estamos muy lejos de preguntar, por ejemplo: ¿cómo se piensa siquiera en la exactitud cuando, en el pasado, tuviste faltante de stock (stockout) mayor, y por lo tanto no has observado la demanda? Hubo una censura porque solo vendiste cierta cantidad debido a que no tenías más.

Un ejemplo muy frecuente: ¿qué diría la casi totalidad de los proveedores—y consultores, y muchos libros de texto? Dirían, “Oh, simplemente ignora la parte de la historia donde tuviste esos problemas.” Mi respuesta es: ni hablar. Si te encuentras con un faltante de stock—digamos que haces una promotion en un hipermercado y te encuentras con un faltante de stock después de dos horas el lunes por la mañana—abres, ¡bam!, dos horas después ya no tienes stock. Es una información que es muy significativa. Si se supone que la promoción dura diez días, quedarte sin stock al final del noveno día es una situación completamente diferente.

Así que el hecho de que termines con un faltante de stock no invalida todo. Aún puedes usar esta información, incluso si llega con complicaciones. De nuevo, el problema que tengo con la “exactitud” es que se practica con un paradigma defectuoso casi en todas partes. Así, cuando persigues esta exactitud tal como la practican el 99% de las empresas, viene con un costo inmenso y muy poco beneficio—si es que hay alguno.

Conor Doherty: Para tomar tu propio ejemplo y pelar la cebolla en términos de costos ocultos: diste el ejemplo de un evento de faltante de stock. La perspectiva tradicional sería, “Estás en una tienda; no tienes huevos. Bueno, he perdido la venta de huevos.” ¿Qué pasa con el hecho de que la mayoría de las cosas se comprarán en combinación?

Forecasteas un cierto nivel de demanda para huevos; tuviste un faltante de stock de huevos. “Bueno, perdí el valor de esos huevos.” ¿Qué pasa con el pan, el queso, la leche, el jamón, el suavizante para telas, el líquido lavavajillas? Todas esas cosas probablemente habrían estado en la cesta. Los huevos siendo un cierto producto—yo sé por mi parte, comeré muchos huevos. Mírame. Si en una tienda no hay huevos, voy a una tienda que sí tenga huevos, y me llevo todo el dinero que habría gastado en todos esos otros productos.

Joannes Vermorel: Ese es el caso típico del forecasting probabilístico: la mayor parte del valor económico en la supply chain se encuentra en los extremos. Es una demanda sorprendentemente alta la que crea un faltante de stock, o una demanda sorprendentemente baja la que crea el exceso de inventario y, potencialmente, en el caso de productos perecederos, una baja por inventario.

Para casi todas las empresas que se centran en la exactitud clásica, esto será invisible porque te enfocas en el promedio o la mediana. Esto también es cierto en la aviación: tienes AOGs—aircraft on ground. Te falta un tornillo que vale $20, y ¡bam!, tu A320 queda en tierra por un día porque te falta una pequeña parte.

La idea de que tu exactitud—forecasts puntuales—reflejará o se correlacionará con la economía es simplemente muy incorrecta en la mayoría de las situaciones. Para esta audiencia, lo que deben recordar es que muy frecuentemente está literalmente correlacionada negativamente. Al mejorar tu exactitud, estás empeorando la situación. Eso sucede muy a menudo.

De lo contrario, el contraargumento sería, “Estamos mejorando la exactitud porque, al menos, no duele.” Mi respuesta es: oh sí, puede doler. Muy frecuentemente lo hace. Esa es una de las razones clave por las cuales tan pocos de esos proyectos de data science llegan a producción: esos forecasts “más precisos” crean tantos problemas que son vetados. Genera una inmensa frustración en los equipos de data science: “¡Pero mira, nuestro forecast era un 20% más preciso!” Los profesionales no son retrógrados; intuyen que esos números van a crear inmensos problemas para la empresa. No necesariamente tienen un análisis cuantitativo de extremo a extremo para explicar por qué, así que el planificador de inventario típico mira esos forecasts—que supuestamente son más precisos pero crean muchos problemas poco visibles—y dice, “No, no me gusta. Solo quiero mantener mi promedio plano de tres años y seguir con él.”

Para el equipo de data science, eso parece una locura—¿por qué ese promedio de tres años? Parece tonto. Lo que no ven es que el modelo sofisticado con su perspectiva de series temporales está completamente roto y está creando muchos problemas. Para el gerente de inventario, este promedio ingenuo de tres años tiene propiedades interesantes: alta estabilidad, fácil de entender, etc. Debido a que hay tanto trabajo extra para capturar el futuro correctamente, al menos este insumo no interfiere con el resto del trabajo que los gerentes de inventario, gerentes de producción, gerentes de asignación, gerentes de tienda, etc., necesitan hacer para tomar decisiones en el mundo real.

Conor Doherty: Literalmente acabas de decir “capturando el futuro,” y la sustancia ha sido en su mayoría el gasto directo e indirecto asociado con el forecast de la demanda, particularmente a través de series temporales. Mencionaste anteriormente la importancia de los tiempos de entrega, devoluciones, etc. ¿Por qué crees que la casi totalidad de las empresas están tan entusiasmadas con el forecast de la demanda y en hacerlo super, super preciso, pero esa otra enorme, muy común y muy conocida fuente de incertidumbre—de la que no hablamos?

Joannes Vermorel: Ahí es donde debo intervenir en el libro—capítulo 7, “El Futuro.” Lo que casi todas las empresas practican es, en términos técnicos, una visión teleológica, que asume que puedes, al igual que Gosplan para la URSS, proyectar la demanda con un año de antelación (o en el caso de Gosplan, cinco años de antelación), y luego congelarla. Entonces, el juego mundial se convierte en un problema de asignación de recursos. Se trata únicamente de orquestar los recursos para ello, y se asume que todo se realizará de manera confiable. Si no, es un problema que hay que solucionar.

Por ejemplo, tiempo de entrega: la teoría clásica diría, “No hagas forecast al tiempo de entrega. Simplemente consigue proveedores que sean confiables y entreguen a tiempo.” ¿Sobrevive esta visión en el mundo real? No lo hace. No obstante, es una perspectiva adoptada en la casi totalidad de los libros. Incluso encuentras visiones aún más ilógicas: a veces los autores admitirán que los tiempos de entrega pueden variar y dirán, “Adoptemos una distribución normal,” la cual asigna probabilidades positivas a tiempos de entrega negativos—lo que es super extraño cuando lo piensas. Encontrarás en los libros de texto autores que dicen, “Tengamos una distribución normal para el tiempo de entrega,” lo que significa que está bien tener menos un día de tiempo de entrega: ordenas ahora y recibes el producto ayer. No tiene ningún sentido. No obstante, está en el software y en la literatura.

Conor Doherty: Joannes, gracias. Debo señalar que mi computadora se ha estado comportando de forma errática en el fondo. Pensé que no había preguntas y de repente se reinició mientras hablabas, y en realidad hay muchas. No tenía idea, y luego de repente vi que había bastantes. Dame un momento para procesar—Microsoft hizo la actualización de Windows en el momento justo, increíble. Justo en el momento adecuado. La computadora funciona perfectamente, y luego hacemos un evento en vivo.

Volveremos a un comentario final más adelante. Iré directamente a un comentario. Esto es de Timur: “Cuando los KPIs de forecast no están correlacionados con las ganancias, eso significa que esos KPIs de forecast en particular tienen que ser cambiados. Tenemos una buena experiencia redefiniendo KPIs a aquellos donde vemos una correlación.” ¿Qué opinas, Joannes?

Joannes Vermorel: Sí. Pero entonces realmente debemos cuestionar: si aplicas todos los cambios necesarios para que tu KPI se correlacione con la ganancia, ¿aún puedes llamarlo “forecasting accuracy”? ¿Es eso lo que se está llamando forecasting accuracy en la literatura? ¿Es lo que se denomina forecasting accuracy dentro de los sistemas avanzados de planificación o soluciones de planificación empresarial? Mi respuesta es: no.

Entonces, ¿qué pasa si decimos que es posible introducir un KPI que esté realmente correlacionado con la ganancia? Absolutamente. Pero ya no se llamaría forecasting accuracy. Nadie, al ver este cálculo, diría, “Oh, es una variante de accuracy.” Sí, es posible correlacionar la calidad de tu anticipación del futuro con tu ganancia. Pero cuando haces eso, terminas con algo tan diferente que ningún estadístico lo llamaría accuracy. Hemos llegado tan lejos; estamos tan distantes que es algo muy diferente.

Conor Doherty: Siguiente pregunta de Vivek: “¿Deberíamos medir accuracy o error en volumen, o error en porcentaje—accuracy en volumen o error en volumen?”

Joannes Vermorel: El problema no es tener una métrica absoluta expresada en unidades o algo expresado como un porcentaje. Esto es una tecnicidad completamente irrelevante. Lo mismo ocurre si quieres elegir el error raíz cuadrada o lo que sea. Todos esos son instrumentos matemáticos con una definición matemática. No tienen ninguna correlación con las ganancias de la empresa.

Si tienes un KPI adecuado, será algo que—como prueba de fuego—si un estadístico o matemático reconociera la fórmula de tu indicador de desempeño como algo denominado accuracy, no es un criterio económico. Cuando se incluyen los factores económicos, se vuelve muy complicado y extremadamente específico para el negocio. Se convierte en algo que no se puede trasladar a otro negocio. Se adhiere de manera extrema a las ambiciones estratégicas de ese mismo negocio y viene acompañado de muchos casos especiales. Hay mucha complejidad específica del negocio.

Esos indicadores de desempeño que están impulsados económicamente son muy útiles. Si quieres reconocerlos, suelen ser bastante verbosos, porque necesitan tener en cuenta muchos factores del negocio. No tienen la elegancia matemática de criterios puramente matemáticos como MAPE o MAE. No es algo que puedas escribir en una sola línea de código. Típicamente tomará cientos, si no unos pocos miles, de líneas de código porque se deben considerar un montón de cosas.

Conor Doherty: Voy a volver a una pregunta enviada anteriormente. Esto fue en respuesta a tus comentarios sobre que un forecast negativo—o mejor dicho, un forecast menos accurate—puede ser más rentable. Estoy leyendo esto textualmente: “OK, un forecast 10% más accurate podría no generar más dinero, pero un forecast 20% menos accurate seguramente te hará perder dinero. Así, ¿está la accuracy al menos correlacionada direccionalmente con la rentabilidad?”

Joannes Vermorel: No, no lo está. Ese fue el error que cometí en los primeros años de Lokad. El modelo de negocio de Lokad era: entregar forecasts más accurate. Y lo hicimos. Todavía somos bastante buenos en forecasting accuracy. Hace algunos años, en la competencia de forecast M5 con datos de Walmart, Lokad obtuvo el primer puesto a nivel mundial en el nivel de SKU y el quinto en general, mientras que ninguno de nuestros competidores—que centraban su discurso en “forecasts de IA más accurate” y similares—logró estar en el top 100.

¿Puede un forecast 20% menos accurate hacer que tu empresa sea más rentable? Sí, absolutamente. Esta fue la lección dura y dolorosa de los primeros años en Lokad. ¿Cómo consigues un forecast 20% más accurate? Haciendo el forecast más inestable. Tienes un algoritmo que es muy sensible a la última bajada de datos. Esa es una de las maneras más fáciles de hacer que tu forecast sea más accurate. Pero cuando colocas este tipo de forecast inestable, aunque más accurate, en un supply chain real, se degrada el desempeño. Volver a algo 20% menos accurate en realidad mejora la situación.

Una de las maneras más fáciles de hacer un forecast “más accurate” con demanda intermitente es hacer forecast de ceros la mayor parte del tiempo. Históricamente, incluso ganamos una licitación importante para un gran distribuidor europeo devolviendo únicamente ceros. Estábamos haciendo forecast de la demanda para mini-mercados—por producto, por día, por mini-mercado—para cinco días adelante. El criterio era el valor absoluto del forecast menos la realidad. Usé mi modelo de zero-forecaster—devolver cero en todas partes—y fue 20% mejor que la empresa número dos en esta competencia de forecast para esa licitación.

Sí, puedes mejorar el negocio haciendo el forecast menos accurate. Las series temporales son completamente inadecuadas, y cuando se usan series temporales, suceden cosas locas todo el tiempo. Por eso necesitas a tantas personas ajustando números, haciendo pequeños cambios y trabajando con hojas de cálculo sobre los forecasts—porque no puedes traducir directamente los forecasts de series temporales en decisiones. Esa es una de las razones fundamentales por las que, desde finales de los años 70, no se produjo la automatización del supply chain: no se pueden automatizar los procesos de toma de decisiones basados en análisis de series temporales. Ese es el problema.

Conor Doherty: Siguiente pregunta de Dmitri—y gracias por ayudarme con la administración, Dmitri, y por repostearla. Comentario, luego pregunta: forecast accuracy se usa ampliamente porque es fácil. ¿Cómo describes tú, Joannes, tus conceptos a otros stakeholders del negocio—no necesariamente a los nerds cool que lo entienden de inmediato?

Joannes Vermorel: La manera en que lo abordamos: olvídate del forecast. Esto es un artefacto numérico, un valor que es solo transitorio. Es un medio para un fin. ¿Cuál es el fin? La decisión: ¿qué compras, qué produces, dónde colocas el inventario, a qué precio?

Veamos las decisiones. Para cada decisión, cuantifiquemos—en euros o dólares—las seis fuerzas en juego, y debatamos si lo que vemos a través de esas fuerzas se siente correcto. Por ejemplo: ponemos una unidad en esta tienda—¿cuál es el margen extra que pensamos obtener al colocar esta unidad adicional en esta tienda hoy? ¿Tenemos una estimación aproximada? ¿Cuáles son las penalizaciones por faltante de stock que evitamos—cuál es la mejora en la calidad del servicio? ¿Cuál es el riesgo de sobreinventario que estamos creando? ¿Cuál es el costo de oportunidad de ocupar un espacio en la tienda que podría ser usado para un producto mejor?

Necesitamos llegar a un acuerdo sobre esos factores económicos. Dependiendo del sector, habrá muchos. Las seis o doce fuerzas económicas en juego variarán sustancialmente de una empresa a otra porque el modelo de negocio y la intención estratégica son diferentes. No obstante, el método en Lokad es: expresar eso en economic drivers, que reflejen el futuro—futuro incrustado en esas valoraciones económicas en términos monetarios—y luego debatir si creemos que estamos en el área correcta con los profesionales.

Muy frecuentemente obtenemos retroalimentación de mayor calidad cuando lo abordamos desde un ángulo puramente financiero. La gente te dirá, “Oh, olvidaste: me estás contando acerca de empujar esta unidad hoy, pero hoy la tienda tiene poco personal. No tienen los recursos para poner los productos en la estantería. Si aún empujas algo, alguien en el punto de venta tendrá que hacerlo y los clientes serán mal atendidos. Por lo tanto, debería haber una penalización.” OK, incluimos eso como un factor extra.

Muchas cosas terminan en esta anticipación del futuro. Se trata de hacerlo bien para el futuro. Por eso digo “calidad de la anticipación” en oposición a “forecasting accuracy,” siendo esta última forecasts puntuales basados en series temporales.

Conor Doherty: Dmitri estaba escuchando, así que hay una continuación: ¿puedes preguntar cómo aplicar todos estos factores económicos a un portafolio de 5,000 SKU? Has lidiado con portafolios más grandes que ese.

Joannes Vermorel: Sí, considerablemente más grande—aplicamos eso a más de 50 millones de SKUs. Lo importante es escribir la receta numérica. La manera en que procedes con los profesionales es mediante muestreo. Te dejas guiar por evidencias anecdóticas. Olvídate de tener una accuracy promedio, un desempeño promedio, etc.—esto no debería ser lo que te impulse.

El método—también en el libro—se llama optimización experimental. Tomas un ejemplo, y el planificador dice “siguiente, siguiente,” mira el SKU y dice, “Ah no, en este no estoy de acuerdo.” Si inicias este método con personas reales, miran tu receta—no el código, la salida, los factores económicos—y rápidamente se oponen: “No estoy de acuerdo con esto. Por ejemplo, este producto: me dices que la penalización por faltante de stock es esta cantidad, pero se trata de pañales. Para los padres jóvenes es crucial. Si no encuentran los pañales de la marca correcta en el hipermercado, inmediatamente irán a otro hipermercado.” OK, entonces la penalización aquí está enormemente subestimada.

Te dan retroalimentación. Es anecdótica. Luego, es trabajo del supply chain scientist entender la regla general y llegar al fondo de eso. Nuestra experiencia en Lokad—optimización experimental en la práctica—es: haces una primera pasada, los planificadores se oponen al 90% de tus líneas. No importa qué SKU o decisiones elijas, hay toneladas de objeciones. Luego iteras e iteras. Muy frecuentemente nos toma unos cientos de iteraciones durante dos meses—algunas veces cinco iteraciones al día—ajustar, repetir, ajustar, repetir. Piénsalo como una hoja de cálculo de Excel donde ajustas cosas—a un proceso ágil.

A veces, los clientes incluso tienen discusiones en vivo con el supply chain scientist por teléfono. El scientist arregla el código durante la llamada y lo ejecuta para ver qué obtienes. Iteras. En algún momento, el profesional dice, “Ya no tengo objeciones.” Miran las decisiones: se ven bien y consistentes; ya no hay locura. Nuestro objetivo en producción es 0% de locura. No buscamos 0% de inaccuracy; buscamos 0% de locura. Esa es una perspectiva completamente diferente.

Haces esto mediante el muestreo. Es inútil decir que quieres un desempeño promedio porque, al promediar entre muchos SKUs, no se ven los problemas. No se ven las anécdotas, los casos especiales que necesitan ser atendidos. Incluso si buscas rentabilidad, tienes muchos SKUs que son super rentables. Si promedias, puedes tener un SKU en el que haces algo mal—algo loco—pero queda enterrado entre muchos otros SKUs que son rentables y sensatos. Por eso necesitas optimización experimental y una perspectiva anecdótica para arreglar el código rápidamente.

Conor Doherty: Dos más. Tengo que desplazarme hacia arriba—muchos comentarios. Dmitri, espero que eso haya ayudado. OK, de—perdóname, supongo que lo estoy pronunciando correctamente—Alif (o Leif): “Desde tu perspectiva, ¿qué enfoques pueden ayudar a las organizaciones a descubrir y abordar costos ocultos dentro de los ciclos, mientras se asegura un equilibrio entre la agilidad y la eficiencia de costos?” (Paréntesis: ciclos se refiere a S&OP.)

Joannes Vermorel: Olvídate del S&OP. Esos procesos solo tienen un lado positivo: hacen que los consultores se enriquezcan. Simplemente descártalos. Enfócate realmente en la decisión. Identifica qué decisiones se están tomando. En el libro defino una decisión del supply chain de manera muy simple: es una asignación de recursos que soporta el flujo de bienes físicos. Eso es todo.

Conviertes un dólar en materias primas para tu supply chain—esto es una asignación de recursos. Tomas una unidad de materias primas y la conviertes en un producto semifabricado—asignación de recursos. Mueves una unidad de inventario de un lugar a otro—asignación de recursos. Enfócate en la asignación de recursos; esas son las decisiones que se están tomando. Toma todo a partir de ahí.

No dejes que los artefactos numéricos—pasos intermedios—definan tu proceso. Los forecast son parte de eso; son completamente transitorios. Son desechables. Puedes deshacerte de ellos, reemplazarlos por algo mejor. No son fundamentales, a diferencia de las decisiones. Las decisiones son fundamentales. Revisa tu negocio dentro de 50 años—aún tendrás el problema de que un dólar se convierta en las cosas que compraste, transformado a través de un proceso de producción. Esas decisiones son extremadamente estables, a diferencia de los artefactos numéricos, que son completamente transitorios.

Conor Doherty: Este es en realidad un comentario extenso con mucho contexto. Deliberadamente lo estoy reduciendo a solo una pregunta—más adelante enviaremos una respuesta más larga. En términos generales: ¿crees que los KPIs deberían diferir para las distintas categorías de supply chain, reflejando diferencias en las restricciones de compra y producción y en los tiempos de entrega?

Joannes Vermorel: Típicamente, no. Quieres KPIs que reflejen la economía de tu empresa. Esto puede incluir muchos factores que dependen de la categoría. Hay empresas—algunas muy grandes—con negocios increíblemente diversos. Si tienes una empresa dedicada a juguetes y aviation piezas, son dos negocios separados. Probablemente, los KPIs sean completamente diferentes.

Pero si tenemos algo relativamente homogéneo—por ejemplo, aviónica—¿deberías tener KPIs definidos de manera diferente dependiendo del tipo de aviónica? Probablemente no. Lo que probablemente tengas es el código—la lógica de tu KPI—que es la misma en todos los casos, pero tiene parámetros específicos por categoría. Esa es típicamente la aproximación de Lokad. A veces incluso tenemos parámetros específicos por producto o SKU. Está bien. Mi sugerencia es: intenta mantener la receta numérica lo más unificada posible.

¿Por qué? En última instancia, todo lo que haces compite por los mismos recursos. Todas las categorías que compras compiten, al final, por los mismos dólares en la cuenta bancaria de la empresa. Todo lo que almacenas termina compitiendo por el mismo espacio de almacenamiento en el mismo warehouse. Tienes restricciones a nivel de toda la empresa. Si las cosas no son homogéneas, es extremadamente difícil hacer un arbitraje adecuado entre asignaciones. Ese es también un problema con la visión clásica de la optimización de la supply chain: tienden a procesar en silos, categoría por categoría. Eso pierde completamente el sentido. Si quieres optimizar tu supply chain, debe ser de extremo a extremo, viendo dónde puedes hacer una asignación de recursos que tenga la mayor tasa de retorno en el rendimiento económico.

Conor Doherty: Debo decir que había una cantidad enorme de contexto en la pregunta de Timur. Si él estuviera escuchando, podría estar arrancándose el pelo como, “Conor ha reducido mi pregunta.” Enviaremos una respuesta más detallada más adelante. Joannes no ha visto el contexto completo de eso. Fue un comentario improvisado.

Hemos estado en esto durante una hora. Creo que hemos respondido a todas las preguntas y comentarios, pero aún queda una: muchas personas parecen entusiasmadas con este tema. Muchos operan en marcos donde quieren producir cambios pero aún deben respetar sus restricciones. Nosotros trabajamos con recetas numéricas; trabajamos con restricciones. Ellos tienen reuniones de S&OP. Tienen software de Forecast Value Added con el que, al menos por ahora, deben operar o en torno a él o a través de él. ¿Cuál es tu consejo para las personas que quieren empezar a implementar los cambios de los que hablas pero que operan en ese sistema?

Joannes Vermorel: Cámbiate de empresa—literalmente.

Conor Doherty: Bueno, ahí lo tienen, todos. Gracias por recibirnos.

Joannes Vermorel: Hablo en serio. El problema es que cuando dices, “OK, este marco, esta organización es completamente disfuncional. Hay algo obvio que debería estar sucediendo; no está sucediendo,” deberías cambiar de empresa. Esto explotará. En algún momento, un competidor lo descubrirá, implementará el cambio, y para la empresa que no implemente el cambio, significará problemas.

Piensa en todos esos minoristas que quebraron frente a Amazon. Literalmente, no podían comprender lo que estaba sucediendo. Cuando fundé Lokad, tuve discusiones en Europa con muchas empresas minoristas—muchas han quebrado desde entonces. Me decían—porque estaba presentando a Amazon como una amenaza—“Oh, Sr. ML, Amazon es solo un nicho, esta cosita en internet. No es serio. Nadie comprará jamás”—insertar aquí—“un televisor, un sofá, un vestido, un coche, bla bla, en internet. A la gente le encanta salir.” Dijeron, “Nunca comprarán esto o aquello online. Imagínate comprar una cámara costosa online—no, obviamente no,” etc. Exploto completamente.

Si estás en una organización donde tienes mucho trabajo ocupado, imagina que tu competidor decide dar un paso audaz y robotizar eso. Todo eso desaparece. ¿Cuánto tiempo sobrevivirá tu empresa si no lo hacen? ¿Crees que tu puesto seguirá ahí?

Veo a muchas personas atrapadas. Uno de los privilegios de la modernidad es que no estás encajonado en un solo lugar—especialmente para las personas con habilidades cuantitativas o analíticas; esas están en demanda. Un montón de empresas están contratando. Lokad tiene dificultades para contratar; es difícil. ¿Por qué desperdiciarías años de tu vida en una empresa que te malutiliza a través de un proceso roto? Esto es de locos.

Mi sugerencia: muy educadamente, de manera constructiva, intenta impulsar ideas para provocar un cambio. Con frecuencia, la gente se sorprende: la razón por la que el cambio no ocurre es que nadie está siquiera intentando impulsarlo. La gente asume por defecto que el cambio sería rechazado.

Mi experiencia limitada es la siguiente: tienes mucha facilidad para llegar a los superiores. Si tienes un caso que tenga sentido, bien organizado y que ofrezca algo razonable y factible, el cambio puede ocurrir. Esa sería mi sugerencia.

Pero si estás atrapado en un proceso obsoleto, es urgente mudarte a otra empresa que haga un mejor uso de ti. De lo contrario, imagina que dentro de diez años: aún sigues en la misma posición obsoleta. En tu currículum tienes diez años de trabajo ocupado haciendo algo obsoleto. Venderte a tu próximo empleador será muy difícil.

Conor Doherty: Eso ni siquiera es teórico. Hay amigos del canal que recientemente se han mudado por esa razón exacta, y lo han divulgado—y bien por ellos.

Joannes Vermorel: También es una forma de crear el cambio que deseas ver en el mercado. Ves algo obsoleto y dices, “No voy a contribuir a eso.” Te diriges a una empresa que hace algo más inteligente—por ejemplo Amazon, que resulta ser muy rentable—y las probabilidades de que obtengas un salario mucho más alto después de un tiempo son muy altas.

Conor Doherty: Como reflexión final, Timur está de acuerdo contigo: “Estoy de acuerdo con el consejo de Joannes de cambiar de empresa. No pierdas tu tiempo si no se te permite implementar lo que tiene sentido para ti.”

Joannes Vermorel: Sí, y si quieres lograr un cambio, haz un esfuerzo serio en empaquetar tu propuesta—eso significa, realmente, al estilo piramidal. Necesitas un resumen no mayor a media página para el jefe del jefe, algo muy digerible. Luego la versión más larga—quizás dos páginas—y luego tal vez diez páginas, y un ejemplo concreto. Si puedes tener números expresados en P&L—beneficios y pérdidas—eso hablará a la alta dirección.

No seas el científico de datos que dice, “Necesitamos recurrir a deep learning, y creo que realmente deberíamos adoptar la descomposición de bajo rango; creo que ese es el futuro.” La dirección dirá, “¿De qué diablos estás hablando?” Tiene que estar muy fundamentado. No creo haber conocido nunca a un ejecutivo que, al presentarle un plan de negocio expresado en dólares o euros, dijera, “Ni siquiera quiero escuchar eso.” He visto muchas situaciones en las que la gente dice, “Tu plan es interesante pero completamente defectuoso porque hiciste la suposición equivocada,” así que lo que calculas es incorrecto. Pero rara vez he visto a la alta dirección no dispuesta a comprometerse en algo con motivación financiera.

Conor Doherty: Joannes, hemos estado hablando y de pie durante 70 minutos. Nos hemos quedado sin preguntas. Hoy hice piernas, así que en realidad estoy bastante cansado. Nos hemos quedado sin preguntas; se nos acabó el tiempo. Gracias, como siempre, por todas tus ideas. Y a todos los que han asistido y hecho preguntas, tanto en privado como en público—muy agradecido.

Si quieres continuar la conversación, no dudes en contactarnos en privado, sin problema. O si estás viendo este video en repetición—y está disponible en repetición—deja un comentario abajo y uno de nosotros te responderá. Y con esa nota, nos vemos la próxima semana. Y sí, vuelve al trabajo.