Heurísticas en supply chain - Ep 172

00:00:00 Introducción a heurísticas en supply chain
00:01:14 Ejemplos de heurísticas: inventario min-max, FIFO, ABC analysis
00:03:15 Orígenes y uso informal de heurísticas en las empresas
00:06:28 Enfoques humanos vs. algorítmicos para la resolución de problemas
00:09:58 Heurísticas desde una perspectiva de las ciencias de la computación
00:13:27 El problema de las perspectivas no especializadas sobre las heurísticas
00:17:22 Heurísticas de supply chain y la ilusión de causalidad
00:22:00 La necesidad de métricas para evaluar la efectividad de las heurísticas
00:26:35 La diferencia entre algoritmos y heurísticas en la práctica
00:30:26 Validación experimental y optimización empírica
00:36:33 Intuición engañosa en las decisiones de supply chain
00:41:27 Ejemplo de estrategias de embarque en aerolíneas e intuición
00:46:47 La ausencia de métricas financieras en las decisiones de supply chain
00:53:05 Limitaciones humanas en la programación compleja vs. algoritmos
00:58:47 Reflexiones finales y conclusiones

Resumen

En un reciente episodio de LokadTV, Conor Doherty, Communication Director at Lokad, entrevistó a Joannes Vermorel, CEO de Lokad, acerca de heurísticas en gestión de supply chain. Discutieron el uso de herramientas simples para resolver problemas, como FIFO y ABC analysis, destacando sus limitaciones y la necesidad de enfoques matemáticos más robustos. Joannes explicó que, aunque las heurísticas ofrecen soluciones directas, a menudo carecen de consistencia y validación empírica. Enfatizó la importancia de distinguir entre verdaderas heurísticas y recetas numéricas arbitrarias, abogando por evaluaciones y experimentos en el mundo real para validar las prácticas de supply chain. La conversación subrayó la necesidad de una evaluación crítica y evidencia empírica para optimizar las decisiones de supply chain.

Resumen Ampliado

En un reciente episodio de LokadTV, Conor Doherty, Communication Director at Lokad, entabló una discusión que invita a la reflexión con Joannes Vermorel, CEO y fundador de Lokad, una empresa francesa de software especializada en la optimización predictiva de supply chain. La conversación se adentró en el uso de heurísticas en la gestión de supply chain, explorando sus limitaciones y contrastándolas con enfoques matemáticos más robustos.

Conor comenzó introduciendo el concepto de heurísticas, que son herramientas simples para resolver problemas como FIFO (First In, First Out), LIFO (Last In, First Out) y ABC analysis, comúnmente utilizadas en las decisiones de supply chain. Subrayó que estas heurísticas se emplean a menudo para enfrentar la incertidumbre y pidió a Joannes que explicara a qué se refieren los profesionales de supply chain cuando mencionan heurísticas.

Joannes explicó que en la industria, las heurísticas son esencialmente reglas empíricas formalizadas utilizadas para guiar las decisiones. Por ejemplo, una min-max política de inventario, donde el inventario máximo se fija en lo equivalente a la demanda de tres meses, es una heurística. Estas heurísticas ofrecen soluciones simples a problemas complejos, pero a menudo son arbitrarias y carecen de consistencia entre diferentes planificadores y empresas.

Conor indagó más a fondo, preguntando sobre los orígenes de estas heurísticas. Joannes respondió que son las soluciones más simples que las personas pueden idear para abordar problemas específicos. Por ejemplo, FIFO garantiza que todos los artículos sean finalmente seleccionados y procesados, evitando su deterioro. Sin embargo, enfatizó que estas heurísticas no son necesariamente soluciones óptimas.

Joannes luego introdujo una distinción crítica entre las heurísticas tal como las entienden los economistas y las de la gestión de supply chain. En tareas naturales, como agarrar un vaso de agua, los humanos utilizan heurísticas de manera efectiva porque la evolución nos ha dotado de los instintos necesarios. Sin embargo, los problemas de supply chain son desafíos numéricos discretos que no existen en la naturaleza, y nuestras heurísticas innatas no son adecuadas para estas tareas.

Conor y Joannes discutieron las limitaciones de heurísticas tradicionales como FIFO y ABC analysis. Joannes argumentó que estos métodos a menudo son recetas numéricas arbitrarias en lugar de verdaderas heurísticas, ya que carecen de métricas para medir su efectividad. Destacó la importancia de distinguir entre heurísticas y recetas numéricas arbitrarias, que pueden ser engañosas.

Conor presentó la perspectiva de un minorista, sugiriendo que métodos simples como ABC analysis funcionan porque son rentables. Joannes replicó que la rentabilidad no valida todas las prácticas en un negocio. Utilizó a Apple como ejemplo, señalando que algunas prácticas pueden no contribuir directamente a la rentabilidad, pero aún así se siguen.

La conversación se desplazó hacia los desafíos de validar heurísticas en supply chains del mundo real. Joannes explicó que, mientras los algoritmos tienen propiedades demostrables, las heurísticas requieren una evaluación empírica a través de experimentos. Citó el ejemplo del gradient descent estocástico, una heurística que ganó reconocimiento por su rendimiento práctico a pesar de carecer de una prueba formal.

Conor y Joannes discutieron la dificultad de evaluar la bondad de las heurísticas sin métricas claras. Joannes enfatizó la necesidad de que las empresas validen sus recetas numéricas a través de experimentos, en lugar de asumir su efectividad. Se refirió a su serie de conferencias sobre optimización experimental, subrayando la importancia de descubrir objetivos de optimización y la diferencia entre validación empírica y matemática.

Joannes también abordó el sesgo psicológico de enamorarse de las propias ideas, lo cual puede llevar a adoptar políticas arbitrarias sin la validación adecuada. Advirtió contra asumir que los métodos tradicionales son inherentemente buenos solo porque no han llevado a la quiebra.

La discusión concluyó con Joannes aconsejando que el término “heurística” se reserve para recetas numéricas simples y efectivas con evidencia empírica de su éxito. Enfatizó la importancia de evaluaciones en el mundo real en términos financieros y la necesidad de que las empresas evalúen críticamente sus métodos.

Conor concluyó la entrevista agradeciendo a Joannes y a la audiencia, animando a los espectadores a suscribirse al canal de YouTube de LokadTV y seguirlos en LinkedIn para más discusiones perspicaces sobre la optimización de supply chain.

Transcripción Completa

Conor Doherty: Bienvenidos de nuevo a LokadTV. Las heurísticas están en el centro de la mayoría de las decisiones que las personas toman en términos de supply chain.

Las heurísticas son herramientas simples para resolver problemas que nos guían en momentos de incertidumbre. Piensa en FIFO, LIFO y ABC analysis.

Hoy, con Joannes Vermorel, discutiremos los límites de estas heurísticas y las contrastaremos con una perspectiva matemática más robusta.

Como siempre, si te gusta lo que escuchas, suscríbete al canal de YouTube y síguenos en LinkedIn. Y con eso, te presento heurísticas en supply chain.

Como mencioné en mi introducción, estamos aquí para hablar sobre heurísticas, particularmente en supply chain. Entonces, para poner el contexto, cuando los profesionales de supply chain, ya sabes, en la oficina, hablan de heurísticas, ¿de qué están hablando? ¿Qué quieren decir?

Joannes Vermorel: Quiero decir, la mayoría de los profesionales de supply chain probablemente no utilizarían el término heurísticas. Ya suena un poco elegante. Cuando pienso en la industria en general, cuando la gente dice heurística, simplemente significa que tienen algún tipo de regla empírica formalizada que se utiliza para guiar una decisión.

Un ejemplo de ello es que tenemos una política de inventario min-max, y el máximo se define como equivalente a la demanda de tres meses. Eso es todo. Esa es mi heurística.

Y lo interesante de las heurísticas es que supuestamente, ya sabes, esa es la perspectiva global de las heurísticas: que tienes un problema complejo, pero tu heurística ofrece una solución simple para dicho problema.

Conor Doherty: Bueno, muchos simplemente escribieron literalmente las palabras acordadas por comité. Entonces, mi pregunta siguiente es: cuando dices, en el ejemplo de min-max, que habrá tres meses de demanda, eso es solo una decisión arbitraria. ¿Es eso lo que la convierte en tan solo una regla empírica general?

Joannes Vermorel: Sí, eso es prácticamente todo lo que hay. Quiero decir, tal vez la gente haya probado libremente algunas alternativas, y su instinto es que dos meses no son suficientes, seis meses son demasiados, y así convergen en algo.

O incluso con más frecuencia, no hay ninguna consistencia. Cada planificador de demanda y supply chain tiene su propio conjunto de reglas empíricas, su propia colección de heurísticas que utiliza.

Es raro que las empresas impongan algún tipo de práctica en relación con las heurísticas. Al menos, cuando las empresas piensan y dicen que tienen heurísticas, usualmente significa que no están impuestas y que son relativamente informales, y que hay un gran margen para seleccionar a dedo todos los parámetros de dichas heurísticas.

Conor Doherty: Bueno, quiero decir, diste el ejemplo de min-max. También existen cosas como FIFO, LIFO, ABC analysis. Hay todo un abanico de heurísticas. ¿De dónde provienen? ¿De qué nada emergen?

Joannes Vermorel: Quiero decir, son simplemente las soluciones más simples que se te pueden ocurrir para darte una respuesta al problema que se enfrenta. Así que consideremos, por ejemplo, FIFO.

Uno de los problemas más básicos, si tienes que procesar de manera iterativa lo que llega, es cómo evitar dejar algo de lado para siempre. Eso es todo.

Si no decides un orden y simplemente eliges cosas al azar, es probable que termines con un artículo que nunca se selecciona. Simplemente se deja a un lado y nunca se procesa.

Y esto es malo porque, al final, este artículo se deteriorará. Ya sea que llames a un producto perecedero o no, todos los productos perecen con el tiempo suficiente.

Así, simplemente deseas un proceso que garantice al menos que, al final, todo lo que ha estado fluyendo hacia ti será seleccionado, procesado y enviado a algún lugar en el futuro.

Por lo tanto, si dices first in, first out, por ejemplo, es una forma básica de asegurar que todo será seleccionado. ¿Es una buena política? Quiero decir, depende, pero ciertamente te brinda esa propiedad.

Y así, se puede decir que es ciertamente una solución a este problema. ¿Es una buena solución? Esa es una pregunta completamente diferente.

Conor Doherty: Bueno, esa es exactamente la siguiente pregunta, porque no utilizaste el término optimalidad ni dijiste decisión óptima. Por supuesto, en situaciones como la que acabas de describir, estás en un taller de reparaciones, entran dos motores, o entras en la mañana y hay muchos motores, y tienes que decidir cuál voy a reparar primero, qué programación voy a seguir, y estás intentando llegar a lo que al menos parece una buena o decisión óptima.

Entonces, mi pregunta es: ¿cuál es, en tu opinión, el límite superior de la optimalidad que se puede obtener mediante este tipo de heurísticas? Toma, por ejemplo, FIFO.

Joannes Vermorel: No creo que sea la manera correcta de encuadrar el problema. Creo que debemos dar un paso atrás y darnos cuenta de que, cuando pensamos en heurísticas, en realidad existen dos perspectivas radicalmente diferentes para abordarlas, y necesitamos hacer una pausa para considerarlo.

Primero, están las heurísticas tal como, digamos, los economistas las entienden, o al menos, como cuando, por ejemplo, necesito agarrar este vaso de agua. Puedo alcanzarlo y tomarlo.

Un físico podría decir: “Oh, hay como un millón de cálculos involucrados para computar la trayectoria exacta de mi mano, de cada uno de mis dedos, de la masa exacta, de la fuerza exacta”, y esos serían todos los cálculos que necesitaría tener si quisiera que los robots hicieran un cálculo perfecto sobre cómo mover un brazo robótico y tomar el vaso.

Pero resulta que un ser humano no funciona así. En cambio, usamos toneladas de heurísticas, como, ya sabes, la navegación a ojo. “Estoy demasiado a la derecha, oh, gira a la izquierda”, y “¿Se siente la presión adecuada? Oh, no, el vaso se está resbalando, presiona más.”

Así que dispones de muchas heurísticas que te permiten lograr una tarea muy compleja, pero con un procesamiento subyacente mucho más básico. Fundamentalmente, cuando estás tomando un vaso de agua, tu cerebro no resuelve ecuaciones diferenciables en tiempo real. Es simplemente un montón de heurísticas que funcionan de manera magnífica, y así puedes agarrar con éxito tu vaso de agua.

Y resulta que para muchísimas cosas que ocurren en el mundo real, la naturaleza, el universo o lo que sea, nos brindaron soluciones hermosas para problemas aparentemente increíblemente complicados que simplemente funcionan.

Por cierto, mantenerse erguido sobre dos piernas también requiere todo tipo de heurísticas. Cuando las personas intentan diseñar un robot que camine sobre dos piernas, se dan cuenta de que en realidad es muy, muy difícil porque no conocemos esas heurísticas.

Ahora, esta no es la situación en los supply chains. Aquí, estoy describiendo heurísticas con tareas que han representado desafíos durante los últimos quinientos millones de años para que cualquier ser vivo pueda moverse.

Conor Doherty: También son inconscientes. Estoy hablando de decisiones.

Joannes Vermorel: Sí, quiero decir, tomar el vaso de agua es una decisión. Mover tu mano es una decisión. Pero aquí, de lo que hablamos son decisiones numéricas discretas. Eso es algo que no existe en la naturaleza.

En la naturaleza, no se piensa en términos de decisiones numéricas discretas como cuántos productos necesito abastecer mañana, pasado mañana, etc. Esas son decisiones numéricas discretas que son completamente distintas a lo que se encuentra en la naturaleza.

Entonces, el primer punto que señalo es que si adoptamos esta perspectiva implícita que proviene, digamos, del mundo natural sobre heurísticas, podemos decir que los seres humanos están simplemente dotados de la capacidad de aplicar soluciones muy simples a problemas complejos que funcionan de manera excelente.

Y mi contrapunto es que esto no funciona para situaciones creadas por el hombre, como supply chain, donde se trata de resolver problemas numéricos discretos. Estas clases de problemas son completamente distintas a lo que enfrentamos en la naturaleza, y no podemos asumir que tenemos algún tipo de sentido innato de lo que funcionará allí.

La evolución no nos dotó de la capacidad para evaluar cuál es el replenishment óptimo para una red compleja de supply chain. Esa es una afirmación muy fantasiosa al decir que la evolución nos dio algo con respecto a tal problema.

Entonces, lo que estoy diciendo aquí es que necesitamos adoptar una perspectiva diferente sobre las heurísticas, la adoptada por los cientificos de la computación. En informática, cuando tenemos un problema, si contamos con una solución que es demostrablemente correcta y posee buenas propiedades para este problema, la llamamos un algoritmo.

Eso es lo que es un algoritmo. Un algoritmo en informática es una receta numérica en la que se incorporan elementos formales de demostración.

Por ejemplo, ordenar una lista. Tienes una lista desordenada de elementos y quieres ordenarlos de menor a mayor. Existen muchas formas de ordenar una lista, pero algunas darán soluciones que requieren un número mínimo de pasos y una cantidad mínima de memoria para poder ordenar todos esos números.

Así que ese es un algoritmo para ti. Un algoritmo es una solución que es demostrablemente correcta y, además de ser correcta, viene acompañada de propiedades adicionales que se comportan de manera adecuada según el problema en cuestión.

Una heurística, nuevamente desde una perspectiva de la informática, es una receta numérica que funciona muy bien en la práctica, incluso si no se sabe formalmente por qué funciona o por qué funciona tan bien.

Y resulta que existen clases de soluciones que son como joyas ocultas que funcionan de maravilla, que son extremadamente simples, y sin embargo, nadie sabe realmente por qué.

Entonces, ¿un ejemplo aplicado a supply chain? Sí, muchos de ellos se aplican a supply chain. Existe, por ejemplo, el descenso de gradiente estocástico. Fue un proceso que se descubrió. Es muy simple conceptualmente. Puedes escribirlo en, por ejemplo, cuatro líneas. Se descubrió probablemente en los años 50, aunque no está del todo claro. La idea es tan sencilla que probablemente se inventó varias veces.

Y, sin embargo, en general, la comunidad no prestó mucha atención al descenso de gradiente estocástico hasta hace 15 años. ¿Por qué? Porque la gente no se había dado cuenta de lo bien que funcionaba en la práctica cuando se usaba.

Conor Doherty: ¿En qué problemas?

Joannes Vermorel: Todos los problemas de aprendizaje, todos los problemas de optimización y montones de otras situaciones también. Así que es una heurística semi-universal que funciona en una variedad extremadamente amplia de situaciones.

Esto es incluso desconcertante, el mero espectro de aplicabilidad del descenso de gradiente estocástico es asombroso. Y, sin embargo, realmente no tenemos ninguna prueba matemática que explique por qué funciona tan bien. Simplemente funciona.

Así que eso es muy interesante. Y hay que tener en cuenta que, cuando los cientificos de la computación hablan de heurísticas, se refieren a ellas como joyas ocultas. Y, por cierto, si tenemos que volver a tu pregunta inicial, por definición, una heurística es algo, al menos según la definición precisa de los cientificos de la computación, es una solución numérica de la cual no se tiene una prueba.

Entonces, una heurística, por definición, no sabes cuán lejos estás del óptimo. Eso es prácticamente un hecho. Si lo supieras, entonces, por definición, sería un algoritmo. Porque un algoritmo es, literalmente, cuando puedes probar la corrección, además de contar con un comportamiento extra; tu receta numérica se gradúa para convertirse en lo que se llama un algoritmo.

Conor Doherty: Algoritmo, está bien, así que voy a intentar resumir todo eso y dime dónde puedo equivocarme. Pero, de nuevo, según entendí, el problema con las heurísticas tradicionales, como FIFO, por ejemplo, es que cuando la gente intenta aplicarlas, es una solución muy apresurada a un problema que la mente humana no puede comprender.

Joannes Vermorel: No, diría que el problema es que la gente, o mejor dicho, el error que se comete con las heurísticas es cuando se abordan desde una perspectiva laica, es decir, no desde la perspectiva de un cientificos de la computación, y se atribuye algún grado de bondad a la receta numérica. Por eso prefiero utilizar el término receta numérica, que es completamente neutral. Sabes, puede ser un completo asco, o puede ser excelente, simplemente lo es. Es solo una serie de cálculos que te dan un resultado. No presumimos que sea buena para algo, simplemente realiza un cálculo.

El problema cuando se usa el término heurísticas es que se inventa algo muy arbitrario y se le aplica ese calificativo como si se diera por sentado que la receta numérica es buena. Naturalmente, de nuevo, si vamos al mundo natural, esas heurísticas, esas maneras instintivas de recuperar, por ejemplo, un objeto, son muy buenas. Son muy buenas. ¿Y cómo sabemos que son muy buenas? Pues, porque cuando intentamos diseñar un robot que haga lo mismo, falla miserablemente y se requieren inmensas cantidades de esfuerzos de ingeniería para siquiera acercarse a lo que podemos hacer instintivamente.

Entonces, sí, existe, pero eso crea una especie de sesgo que hace pensar a la gente, por ejemplo, “Oh, digamos que el máximo en mi política de inventario min-max es de tres meses de demanda.” ¿Por qué llamo eso una heurística? ¿Sabes? ¿Es esto algo bueno? Puede ser completamente absurdo. No lo sé. No es porque tenga alguna intuición. ¿De dónde proviene esa intuición? ¿Lo ves? Y, usualmente, proviene de la nada. Y ahí creo que está el error.

Debido a que tenemos otras comunidades, como las comunidades de informática, donde el término heurística se usa para referirse a algo sorprendentemente bueno, ya sabes, tenemos una atribución positiva laxa, una especie de efecto halo que otorga más valor a esas recetas numéricas de lo que realmente merecen.

Conor Doherty: Pero un minorista simplemente respondería a eso si escuchara lo que acabas de decir y diría, “Bueno, yo realizo un análisis ABC. Sé de dónde proviene la gran mayoría de mis ventas. Mantengo cierto nivel de servicio alto para esos SKUs en stock y gano dinero. No necesita ser más sofisticado que eso, y funciona porque todavía estoy en el negocio. Estoy ganando dinero y gano más dinero que el año pasado.”

Joannes Vermorel: Sí, y puedes tener una tienda que tenga una fuga de agua y, aun así, estés ganando dinero. Así que, si tuvieras más tiendas con fugas de agua, tal vez ganarías más dinero. Ya ves, de nuevo, ese es el problema. Supply chain es solo un ingrediente en un panorama general. Entonces, el error es pensar que no es porque estés ganando dinero que cada cosa que haces tenga sentido o contribuya positivamente a que seas rentable.

Incluso compañías, por ejemplo, como Apple, son conocidas por mantener a la mayoría de sus empleados en la oscuridad respecto al futuro de la empresa. Esa es una de las características conocidas de Apple. Cuando se trata de lanzamientos futuros de productos, a todos se les mantiene en la incertidumbre e incluso llegan a filtrar internamente hojas de ruta falsas a varios equipos, de modo que, si se filtra una hoja de ruta, se sabe quién recibió la información falsa. Bueno, ¿es realmente un aspecto que mejora la rentabilidad de Apple? Quizás, quizás no. ¿Es algo que quisieras emular para que otro negocio sea más rentable? Quizás no.

Entonces, ya ves, lo que estoy diciendo es que si me dices, “Utilizo el análisis ABC, mi negocio es rentable”, la única conclusión es que el análisis ABC no es tan malo como para llevar a tu empresa a la quiebra. Pero eso es lo único que se puede saber. Lo único que se puede decir sobre un análisis ABC.

Conor Doherty: También podrías decir que, de nuevo, cuando hablaste de buscar el óptimo, de buscar el mejor punto posible, que está lejos de ello. Puedes decir que deja dinero sobre la mesa. Simplemente puedes decir que parece que estás tomando una posición binaria, que hacerlo es 100% estúpido o 100% bueno.

Joannes Vermorel: Pero aquí ves que es donde, de nuevo, la visión de un cientificos de la computación versus la de una persona laica realmente diverge. En informática se reconoce que una heurística, o mejor dicho, una receta numérica, adquiere la capacidad de ser llamada heurística solo si exhibe algún tipo de bondad empírica. Es decir, no toda receta numérica que puedo inventar es una heurística. Para calificar como heurística, tiene que ser sorprendentemente buena en hacer algo.

Conor Doherty: Lo cual algunos podrían sostener.

Joannes Vermorel: Y esta bondad sorprendente requiere una métrica. Requiere una medición.

Ya ves, la gran mayoría del análisis ABC, por ejemplo, no cuenta con una métrica que califique nada al respecto. Se trata simplemente de asignar una letra a cada producto: A, B, C. Se trata simplemente de ello. Luego, una extensión de esto es tener una política de inventario uniforme para cada clase. Pero esta política de inventario uniforme podría ser algo completamente distinto al nivel de servicio, por ejemplo. Tu política uniforme por clase podría ser, para la clase A, mantener tres meses de inventario en stock; para la clase B, dos meses; para la clase C, un mes. Sabes, eso también funciona.

Entonces, los niveles de servicio no son necesariamente una parte integral del análisis ABC. La disponibilidad de estos productos corresponde con su importancia percibida. El análisis ABC se trata simplemente de asignar una clase a cada producto de importancia. Se trata de asignar una clase y, luego, sí, la forma de hacerlo es ponderando las ventas, pero eso es todo. Así que, de nuevo, lo que estoy diciendo es: ¿cuál es el problema que estás tratando de resolver? Ya ves, por eso digo que el análisis ABC es una receta numérica, no una heurística, porque no sabes qué problema estás resolviendo. No tienes ninguna referencia de cuál es lo óptimo.

Conor Doherty: Entonces, sí, sigue.

Joannes Vermorel: De nuevo, ese es el problema. Necesitamos separar las heurísticas de las recetas numéricas arbitrarias. Una receta numérica arbitraria puede estar completamente desmotivada. Simplemente la calculo. ¿Por qué? Porque puedo calcularla. Así que, simplemente, realizo el cálculo, eso es todo.

Si deseas tener una heurística, necesitas tener, digamos, un objetivo que explique o una forma de evaluar su bondad. De nuevo, otro ejemplo sería si busco una heurística en informática. Digamos que estoy utilizando XOR shift para generar números pseudoaleatorios. Muy bien. Existen métricas que me indicarán la calidad de una secuencia de números para ser considerada aleatoria. Muchas métricas para ello.

Así, si utilizo una heurística como XOR shift, puedo entonces evaluar si es buena para generar lo que se entiende como números aleatorios según las métricas que detectan la aleatoriedad de un conjunto recién generado de números. Ya ves, tengo una métrica, tengo un objetivo, sé de lo que estoy hablando en términos de si es una heurística o no. Yo diría: ¿es buena o no? Si lo es, entonces dirás, “está bien, es una heurística”. Pero si no tienes idea de lo que estás haciendo, entonces creo que es un error llamar a eso una heurística porque no sabes si es buena.

Simplemente has inventado una receta numérica y la llamas heurística.

Conor Doherty: Entonces, cuando la gente, para hacerlo muy concreto, realiza un análisis ABC y luego toma decisiones en base a ello, por ejemplo, mantener tres meses de inventario para la clase A o establecer niveles de servicio, cualesquiera que sean las decisiones que se tomen después, y si ven resultados positivos, simplemente están incurriendo en una falacia lógica. Están atribuyendo causalidad a acciones previas. Sí, porque evaluar la bondad, como dijiste, ¿cómo puedes hacerlo si la métrica no es clara?

Joannes Vermorel: Simplemente no se puede. Y, de nuevo, creo que ese es el problema con lo que la gente llama heurísticas. Prefiero llamarlas, con un término neutral, receta numérica, porque de hecho, ni siquiera han intentado calificar si esto era bueno o no, ni cuantificar si era bueno de alguna forma.

Y hay muchos ejemplos de esto. Puedes tener, por ejemplo, algunos negocios que deciden que sus precios serán números redondos. Algunos preferirán que terminen en 99, otros preferirán que terminen en 95. Puedes tener una política que ajuste tus números, redondeándolos hasta justo por debajo del 99 o del 95 o del 97, o simplemente redondearlos hasta los siguientes números redondos.

La gran, gran, gran mayoría de los negocios que hacen eso no tienen idea de cuál de esas opciones es mejor para ellos, y aun así eligen una.

Conor Doherty: Entonces, esencialmente, están adivinando la causalidad.

Joannes Vermorel: Sí. Y, de nuevo, no estoy cuestionando que, a veces, adoptar una política de manera completamente arbitraria y simplemente adherirse a ella por la simplicidad esté bien. Pero entonces no deberías atribuir a esa elección arbitraria tu éxito. Eso es simplemente lo que estoy diciendo.

Conor Doherty: Bueno, de nuevo, eso es, nuevamente, cuando hablamos, ciertamente desde la perspectiva de la economía, cuando hablas sobre heurísticas, la mayoría de las personas, sí, intentan simplificar un problema y llegar a una decisión. Y además, la forma en que ven ese resultado también es una versión muy simplificada. Así, por ejemplo, “Hice algo, redondeé todos los precios o los dejé en 99, y las ventas subieron o las ventas bajaron. Por lo tanto, post hoc ergo propter hoc, lo que hice anteriormente lo causó.” Y, por supuesto, eso es imposible. El problema es que hiciste eso mientras había otras cien personas al mismo tiempo intentando desenredar la causalidad, y es muy, muy difícil.

Joannes Vermorel: Sí, es muy difícil. Quiero decir, eso es especialmente en supply chain, donde tienes un sistema, todo está como interconectado. Es muy difícil. Y mi punto es que, cuando se trata de heurísticas, si se entienden correctamente, pueden ser absolutamente fantásticas. Y, por cierto, pueden ser literalmente una forma de superar a tus pares, porque si tienes lo que los científicos de la computación llaman heurísticas, que es algo así como una joya oculta, algo que ves en un algoritmo.

La diferencia entre un algoritmo y una heurística es que un algoritmo es algo en lo que tienes una receta numérica. Puedes leer la receta numérica y luego, como matemático, puedes probar sus propiedades. Es fantástico. Es muy económico. Verás, la cuestión con los algoritmos es que son increíblemente económicos. No necesitas hacer ningún experimento en el mundo real para probar que tu algoritmo se comporta bien. Eso es fantástico. Así que eso significa que puedes tener un matemático trabajando en su oficina y, ¡bam!, tienes tu algoritmo que se comporta bien y que aporta valor a tu empresa.

Una heurística, bueno, la única forma de descubrir una heurística es hacer experimentos. Es algo que es una evaluación empírica, y esto es muy difícil. Y es por eso que, por ejemplo, el descenso de gradiente estocástico estuvo, literalmente, durante décadas, aunque era conocido por miles de personas, completamente ignorado solo porque, bueno, nadie se había dado cuenta realmente de que en la práctica funcionaba de maravilla. Verás, entonces eso es algo que es una heurística. Puede existir, pero hasta que la gente haya probado realmente la receta numérica y visto que funciona de maravilla en ciertas clases de problemas, entonces no identificarán que es una heurística valiosa.

Conor Doherty: Sin embargo, se me ocurre, con algunas de las declaraciones que has hecho, por ejemplo, nuevamente, solo para resumir antes de llegar a la pregunta, que doy el ejemplo de “Hice algo, por lo tanto, presumo que lo que hice causó un pico en las ventas o posiblemente causó una pérdida en las ventas.” Y dijiste, “Bueno, pero otras cien personas hicieron cien cosas o mil cosas, lo que sea.” Se me ocurre que casi suena como si estuvieras estableciendo un estándar infalsable, porque incluso si usaras heurísticas matemáticas, ¿cómo sabrías alguna vez que lo que decidiste hacer o las herramientas que usaste hicieron una diferencia positiva una vez que lo sacas de la teoría y lo pones en la red interconectada real de toma de decisiones en supply chain?

Joannes Vermorel: No, de nuevo, puedes hacer experimentos y puedes validar la bondad de cualquier receta numérica que tengas. No estoy diciendo que no puedas. Solo digo que la mayoría de las empresas ni siquiera lo intentan.

Conor Doherty: Bueno, ¿cómo intentaría una empresa eso? ¿Cómo se vería?

Joannes Vermorel: Pero eso es exactamente lo que tenemos en esta serie de conferencias sobre optimización experimental. Tengo una conferencia de una hora y media sobre eso, y se llama optimización experimental. Así que no puedes, lo esencial es que no sabes para qué estás optimizando, y el primer paso será descubrir para qué estás tratando de optimizar. Y eso es muy diferente de la perspectiva clásica de optimización matemática donde tu objetivo ya está dado. Pero lo que estoy diciendo es que si quiero volver a las heurísticas, fundamentalmente, no hay razón para pensar que la mejor receta numérica es necesariamente algo de lo que puedas tener una prueba matemática. El hecho de que exista una prueba matemática no tiene nada que ver con si tu receta numérica es buena o mala. Verás, fundamentalmente, estas son dos perspectivas completamente diferentes. Sucede que si puedes tener una prueba matemática, al menos sabes algo que es bueno. Y en ciertas condiciones, puedes saber mucho y dirías, “Oh, eso es muy interesante porque sé tanto que, al menos en comparación con todas las otras recetas numéricas sobre las cuales no sé nada, prefiero usar una en la que tengo elementos de prueba. Es mejor que nada.”

Pero luego, si intentas y en la práctica con un montaje experimental adecuado, como se expone en esta conferencia sobre optimización experimental, si tienes una demostración empírica de que es superior, entonces un criterio matemático no puede prevalecer sobre el feedback del mundo real. Así que si tengo dos métodos, uno en el que tengo muchas pruebas matemáticas, y otro en el que no tengo ninguna, pero el otro me da mejores resultados en la práctica, entonces debería preferir este otro, incluso si no viene con agradables propiedades matemáticas.

Y lo que hace que las heurísticas sean muy interesantes, frecuentemente al menos desde la perspectiva de la informática, es que esas cosas que califican como heurísticas a veces pueden funcionar con una fracción diminuta de los recursos de computación que necesitas para, diría, soluciones más demostrables. Por ejemplo, de nuevo, el descenso de gradiente estocástico. El descenso de gradiente estocástico es fantásticamente eficiente para optimizar todo tipo de problemas. Y sin embargo, cuando digo que es fantásticamente eficiente, quiero decir que, para lograr un nivel comparable de optimización con otros métodos, necesitarías miles, millones, miles de millones de veces más recursos de computación. Así que es muy, muy eficiente, pero no tienes una prueba formal para ello.

Conor Doherty: Entendido. Y bueno, de nuevo, si estás hablando de la asignación de recursos y el retorno de inversión de los recursos, FIFO, oh, acabo de calcularlo mentalmente, cuesta cero. ¿Cuál es la diferencia en términos de costo con el arreglo que acabas de describir allí?

Joannes Vermorel: Diría que no, no se puede evitar pensar cuidadosamente sobre la situación en cuestión. ¿Va a hacer alguna diferencia FIFO? Varía enormemente de un negocio a otro. Para algunos negocios, es completamente irrelevante. No te importa. No tiene ningún impacto. Para otros negocios, es de gran importancia.

Si de hecho eres un MRO y quieres reparar motores de aviones, el orden en que eliges los motores será sumamente importante para que tus operaciones funcionen sin problemas o no. Si estamos hablando simplemente de organizar un tránsito para una plataforma logística y quieres hacerlo FIFO, es irrelevante porque, al final de cada día, limpiarás tu plataforma. No quieres que quede nada en la plataforma cuando hagas tus traslados y demás. Así que el orden es prácticamente irrelevante en esta situación.

Conor Doherty: Bueno, me gustó realmente el ejemplo que diste. De nuevo, eso fue si eres un MRO, trabajas en motores, tienes que elegir en qué motores trabajar. Y quiero volver a algo que dijiste anteriormente, que fue, típicamente, ¿qué dijiste? La gente no está optimizando lo que cree que está optimizando o no está optimizando lo correcto. Así que en el escenario que acabas de describir, cuando la gente aplica FIFO, piensa, “Bueno, estoy sacando motores, estoy optimizando la reparación de motores.” ¿Están al menos pensando en el problema de manera correcta, incluso si no están ejecutando bien una heurística?

Joannes Vermorel: No, ese es otro problema. Verás, usualmente la receta numérica, y no estoy usando el término heurística sino receta numérica, es un marcador para el problema y la solución. Sabes, simplemente hacemos eso. La situación no se enmarca como “cuál es el problema” y “cuál es la clase de posibles soluciones y cuáles serían las diversas cualidades de esas soluciones”. Simplemente eliges una forma de hacerlo y eso es todo. Y luego, si es buena o tal vez, tal vez no, simplemente es.

Conor Doherty: No, simplemente es. Me gusta lo que dijiste acerca de confundir la forma en que intentan arreglar las cosas con el problema y la solución. ¿Puedes ampliar nuevamente sobre eso?

Joannes Vermorel: Es órdenes de magnitud más sencillo pensar en una solución en lugar de pensar en un problema. Es así que cuando las personas quieren pensar en la calidad de servicio en una tienda, es muy difícil pensar en lo que significa esa calidad de servicio. La calidad de servicio significaría básicamente meterse en la mente de tus clientes y tratar de ver tu tienda como ellos la ven y evaluar si van a estar satisfechos o no, considerando todos sus planes y deseos imprecisos y demás, y todo eso estando en constante cambio. Así que ese es el problema, muy difícil.

Es mucho más fácil enfocarse en la solución, que es cinco unidades para este producto, cinco unidades para este producto, dos unidades para este producto. Verás, solo te estoy dando una solución diciendo que cada producto tiene cierta cantidad de unidades y, ¡bam!, he terminado. Así que inventar, conjurar una solución es usualmente mucho más sencillo en comparación con pensar en el problema. Pero lo que no has abordado al hacer eso es que no conoces la bondad de tu solución. Simplemente tienes una solución, y si esta solución está funcionando de alguna manera, tal vez digas que es buena, pero no lo sabes.

Y tal vez tu tienda funciona de maravilla no porque tengas los niveles de inventario correctos, sino porque en alguna otra parte de tu empresa se ha logrado negociar precios fantásticos que resultan ser más bajos. Así, incluso si tus niveles de stock son algo basura, tus tiendas siguen siendo bastante competitivas. Verás, lo que estoy diciendo es que las empresas, de nuevo, no existe algo que sea evidente por sí mismo en supply chain, realmente, no en esos juegos en los que intentas resolver problemas de optimización discreta.

Y creo que el paso es reconocer que lo que tienes, hasta que se demuestre lo contrario, no son heurísticas. Eso es algo que ha sido evaluado como bueno, sorprendentemente bueno. Lo que tienes son recetas numéricas. ¿Son buenas? ¿Son malas? No lo sabes.

Conor Doherty: Porque recientemente he tenido una conversación muy similar sobre esto con Simon Schott en Lokad, y estábamos hablando sobre optimización de programación. Y de nuevo, él también usó el término evidente por sí mismo. Uno de los problemas con ciertas heurísticas o recetas numéricas, sea el término que quieras usar, como FIFO, es que ignoran las externalidades inmediatas o porque simplemente están más allá de la mente humana.

Así que, por ejemplo, tres motores, llegas el lunes por la mañana, hay tres motores. ¿Cuál reparar? ¿Cuál fue el primero en entrar? No puedo calcular todos los pasos interrelacionados y las interdependencias, como trabajar en esto requiere 100 piezas, esto requiere 68, esto requiere 67. Necesito 20 herramientas para eso, 10 de ellas también las necesito para esto. Esto necesita ir allá cuando esté terminado, aquello necesita ir allá cuando esté terminado. Joannes está enfermo, no está hoy, así que no puede hacer el paso 20 de 30. Conor está haciendo una entrevista, no está disponible para completar el paso 99 de 100. Hay todas estas interdependencias, y no son evidentes por sí mismas para la mente humana. Así, simplemente recurres, en lugar de a una inacción total, recurres a lo que llegó primero.

Y no es que esté mal, es que, en ausencia, – y estas son las palabras de Simon – en ausencia de algo superior, simplemente usas algo que al menos hace que las cosas funcionen en cierta medida. Y parece que, habiéndote escuchado, has usado una forma mucho más matemática para describir eso. ¿Pero se alinea eso aún con tus sentimientos?

Joannes Vermorel: Sí, pero de nuevo, el desafío es que eliges una solución, no tienes idea de si es buena o no. Y muy frecuentemente, de nuevo, no puedes dejarte guiar por tu intuición. Creo que esa es la cuestión: que, de nuevo, en el mundo natural, las heurísticas que se nos dan, como cómo puedo realmente agarrar y tomar un objeto, son buenas. Pero cuando traducimos, no hay una traducción de esto, ya sabes, diría que los dones dados por la naturaleza al mundo hecho por el hombre de las decisiones en supply chain. Ya sabes, son cosas completamente diferentes.

Hubo, por ejemplo, un artículo muy interesante que se publicó. La gente hizo benchmarking de estrategias de embarque para aviones. Y, ya sabes, hace algo así como una década, las empresas empezaron a decir, “Oh, queremos acelerar el embarque, y así llamaremos primero a los pasajeros de las primeras filas, luego a las de la segunda fila, y luego a las otras filas, etc.” Y la gente dijo, “Oh, tiene lógica, acelerará el proceso de embarque.” Resultó que algunos investigadores realizaron experimentos reales. Dijeron, “Está bien, si dividimos a los pasajeros en tres grupos y los llamamos en órdenes desde las filas 1 a 10, luego 11 a 20, y 21 a 30, frente a políticas alternativas, ¿tenemos alguna que funcione mejor?” Y lo interesante que mostraron fue que no tener ninguna política, es decir, dejar que la gente llene el avión al azar, era en realidad más rápido. No es intuitivo, pero fue un resultado empírico.

Así que, de nuevo, lo que estoy diciendo es que la efectividad es, para esos fenómenos complejos que son muy hechos por el hombre, porque verás, agarrar mi vaso es muy complejo en el sentido de que hay tantas variables en movimiento. Tengo cinco dedos, y luego tengo muchas articulaciones, así que es como un problema con probablemente 50 grados de libertad si solo hago este movimiento simple para agarrar mi vaso. Así que es muy complejo, pero nuestra intuición funciona. Pero hay otras clases de problemas donde nuestra intuición no funciona naturalmente, y digo que en supply chain, son principalmente juegos de lidiar con problemas discretos, de lidiar con la aleatoriedad. Nuestra mente no es muy buena. Nuestra mente suele ser muy buena tratando patrones, pero no muy buena para lidiar con la aleatoriedad. Y por eso, diría que no confíes demasiado en tu intuición. Puede ser muy engañosa.

Y eso es muy interesante porque hoy en día, a pesar de que tenemos evidencia de que dejar que la gente embarque en un avión al azar es más rápido, la mayoría de las empresas tienen ahora una política de llamar a la gente en orden, aunque se ha demostrado que en realidad es más lento.

Conor Doherty: Cierto, pero de nuevo, eso no demuestra el punto que mencionaste antes porque depende de qué estés optimizando. Si estás optimizando para la eficiencia de abordaje, tienes razón. Si estás optimizando para la rentabilidad, quieres vender asientos o accesos, por ejemplo, la Zona 1 equivale a las zonas 1 a 9, y eso cuesta $3,000. Las zonas 10 a 15 cuestan $1,000, y llenaremos el avión a esa tarifa, y estoy optimizando para el beneficio.

Joannes Vermorel: Pero eso incluso se aplica a aviones donde todos los asientos tienen el mismo precio. Incluso tienes estas políticas aplicadas en aerolíneas low-cost donde no existe clase ejecutiva, no hay primera clase, y a prácticamente todos se les cobra el mismo precio, sin importar el asiento que tengan.

Conor Doherty: Entonces, ¿no hay necesidad de un abordaje avanzado?

Joannes Vermorel: Pero ellos aún lo hacen.

Conor Doherty: ¿Entonces no deberían?

Joannes Vermorel: Lo repito, lo que estoy diciendo es que conjuraron en sus mentes una receta numérica que decía: “Vamos a llamar a la gente en grupos porque parece que si ponemos más orden, funcionará de manera más eficiente.” Y luego la gente realizó los experimentos reales y concluyó que no, en realidad está degradando el rendimiento en comparación con lo que hacían anteriormente, que era ni siquiera intentar resolver el problema y dejar que la gente se organizara sola al abordar el avión.

Verás, esa es la cuestión. De nuevo, lo que tú crees que es, esa es la diferencia. Es muy fácil conjurar una receta numérica, pero si no tienes idea de si es buena, no deberías asumir, solo porque fue lo primero que se te ocurrió, que va a ser buena. Y no deberías asumir, solo porque parece plausible, que vaya a ser buena.

Conor Doherty: Bueno, también puedes expandir esa idea en términos de establecer arbitrariamente cualquier KPI y asumir que eso marca la diferencia.

Joannes Vermorel: Sí, y de nuevo, gente, existe este sesgo psicológico de que las personas tienden a enamorarse de sus propias ideas. Como, “Necesitamos un servicio de mayor calidad, así que debemos aumentar los niveles de servicio del 97% al 98%,” y luego se convierte en una política de toda la empresa. ¿Tiene sentido? Tal vez, tal vez no. Te hablé acerca de esta idea del mínimo y máximo. Necesitamos tener inventario para tres meses, y luego se convierte en política de la empresa. Es muy fácil conjurar una receta numérica porque lo único que tienes que hacer es tomar las variables que tienes frente a ti, hacer algo con ellas y calcular algo.

Aquí es un error cometido, podría decirse, por un racionalismo ingenuo. No es porque calcules algo con las variables que tienes frente a ti que dicho cálculo sea correcto. Puede ser correcto en el sentido numérico de que no cometes errores en las sumas y multiplicaciones, pero la fórmula que acabas de conjurar realmente no refleja nada.

Conor Doherty: Pero esto choca naturalmente o entra en conflicto con la tendencia natural de las personas hacia lo que se conoce como el sesgo de atribución fundamental. Simplemente asumen, “Tengo agencia, hice algo, establecí una política, definí un KPI, puse una regla, y ganamos dinero. Por lo tanto, no solo soy genial, sino que soy responsable de lo que ha sucedido.”

Joannes Vermorel: Sí, pero de nuevo, hablas de “ganamos dinero,” pero la realidad es que la mayoría de las empresas, especialmente la mayoría de los departamentos de supply chain, tienen cero KPIs financieros. Verás, muy frecuentemente lo que sucede es que simplemente verificas si cumples con las reglas que te has impuesto, y eso es todo. Aquí dices, “Somos rentables,” pero de nuevo, la mayoría de las divisiones de supply chain sólo están comprobando si cumplen con sus propios porcentajes.

Entonces, por ejemplo, dirían, “Oh, necesitamos niveles de servicio del 97%,” y luego harán cosas, y al final del día, dirán, “Oh, somos muy buenos, mira, hemos alcanzado el nivel del 97%. Hemos perdido mucho dinero, pero tenemos un 97% de servicio.” El hecho de que ganemos dinero o perdamos dinero es irrelevante. Estás contando porcentajes, no dólares. Quiero decir, muy pocas empresas que conozco, aparte de los clientes, están considerando algún tipo de métrica financiera para su supply chain. Usualmente, esto está completamente ausente. Piensan en términos de rotación de inventario, en términos de niveles de servicio, y diferencian esos niveles de servicio, de hecho, por clases ABC y demás.

Pero ves, no es porque establezcas para ti un objetivo arbitrario de nivel de servicio y luego declares la victoria cuando alcanzas esos objetivos arbitrarios. Puedes asumir que cumplir con tu propio objetivo está de alguna manera correlacionado con la rentabilidad de la empresa, pero esa es una suposición muy audaz.

Conor Doherty: Bueno, de nuevo, esto demuestra un punto general que se ha manifestado una y otra vez de diversas formas, que es la tendencia de las personas a tomarse demasiado en serio problemas complejos. Por ejemplo, si hablamos de programación, hablamos de cuánto ordenar, a dónde enviar, e intentas descomponer eso en una manera que se adapte a la mente humana. Así, por ejemplo, “Bueno, si tan solo paso del 95% al 97% de nivel de servicio, bish bash bosh, el problema está resuelto,” y se resuelve. Una vez que alcanzo ese objetivo, bueno, se autorrealiza. Pero, por supuesto, eso ignora muchas de las interrelaciones y dependencias del proceso de toma de decisiones que describimos anteriormente.

Joannes Vermorel: Sí, pero también describiría, como dije, que optar por una solución es típicamente mucho más fácil que abordar el problema. Si observamos, por ejemplo, el mantenimiento de un avión, la realidad es que, si falta una pieza durante una operación de mantenimiento, el avión quedará en tierra. Eso es relativamente obvio, a menos que lo descubras en el último minuto. Pero ahora, la solución es, “Solo quiero tener un nivel de stock no nulo de piezas operativas para todo,” y esa será tu respuesta simple. Ves, si tengo eso, entonces estoy bien, siempre y cuando pueda mantener un nivel de stock no nulo de piezas operativas en cualquier momento, estoy bien.

Así, esta es mi solución. El problema es que omite completamente el hecho de que la solución que propones es demasiado costosa porque requeriría demasiado stock, y por lo tanto no es una solución factible, realmente. Así que ahí es donde necesitas volver a tener una receta numérica. Necesito caracterizar esta receta numérica para asegurarme de que esté formalizada correctamente, de modo que pueda evaluar su calidad y luego decidir si es un algoritmo, si es un heurístico, o si es otra cosa.

Mi punto es simplemente que es peligroso asumir que algo que se hizo, que fue una política numérica arbitraria, tiene propiedades inherentes solo porque se hizo de esa manera antes. Lo único que puedes decir es que no fue tan malo como para llevar a la empresa a la bancarrota, pero este es un estándar muy bajo. Puedes tener cosas que son muy, muy malas y aun así no ser suficientes para matar a la empresa, especialmente si tus competidores también están haciendo cosas que son muy, muy ineficientes.

Conor Doherty: De hecho, has mencionado, en una de nuestras conversaciones anteriores, de nuevo, hablando sobre las implicaciones de llevar a la realidad políticas arbitrarias o KPIs arbitrarios. Por ejemplo, la cantidad de dinero que se necesita para pasar de un 95% a un 97% de nivel de servicio es aproximadamente un orden de magnitud mayor que lo que se necesita para pasar de un 85% a un 87% de nivel de servicio. Así que dices, “Oh, solo quiero aumentar un 2%,” pero existe una ley de rendimientos decrecientes.

Joannes Vermorel: Sí.

Conor Doherty: Y los costos se propagan exponencialmente una vez que llegas a cierto nivel. Y, de nuevo, la gente mira y dice, “Solo quiero subir un 2%,” y no es evidente cómo se propaga todo esto.

Joannes Vermorel: La mente humana no es una computadora, y hay ciertas cosas que te dije, que a la mente humana no se le da muy bien el azar, por ejemplo, pero tampoco se le da bien el crecimiento geométrico. Las cosas que se acumulan de forma exponencial, la mente humana simplemente no las comprende realmente. No tenemos el mecanismo.

Sí, si como matemático me tomo el tiempo, agarro un lápiz y papel, y luego hago mi cálculo, sí, lo entenderé. Pero no tengo un instinto; nadie tiene una intuición instintiva de la diferencia entre mil, un millón, mil millones, un billón. No tenemos la capacidad para sentir ese tipo de cosas, así como tampoco tenemos en nuestro cerebro la capacidad para diferenciar entre ruido gaussiano o cualquier tipo de ruido alternativo no gaussiano. Si te doy todo tipo de aleatoriedad, ruido gaussiano más, a menos que hayas sido entrenado específicamente para identificarlo, la mayoría de la gente diría, “Oh, parece muy aleatorio.” No tenemos, podría decir, una percepción instintiva de la clase de ruido estadístico, pero los matemáticos han descubierto muchos tipos diferentes de ruido, de comportamiento aleatorio.

Conor Doherty: En ese punto, mencionaste anteriormente sobre la programación de reparaciones, por ejemplo, en aeroespacial. Bueno, la idea es que si alguien dijera, “Bueno, ya sabes, tenemos gente realmente, realmente inteligente, y cada vez que necesitamos regenerar una secuencia de acciones para la reparación de un motor, contamos con 10 personas muy inteligentes. Se sientan y lo resuelven internamente por sí mismas.” Por supuesto, es irrazonable. Piensa en cómo lo mencionó Simon anteriormente, es irrazonable incluso esperar que cien personas superinteligentes con un lápiz y papel o con una hoja de cálculo de Excel superen a gran escala, de manera repetida, todos los cálculos requeridos para llegar al nuevo horario óptimo dada todas las interdependencias, la cantidad de piezas, la cantidad de habilidades requeridas y el tiempo que lleva.

Y tienes que tener en cuenta que, como dijiste antes, en el caso de MRO, no se tiene el lujo del tiempo. Así que, incluso si fuera posible —y supongamos, solo por el bien de la discusión, que lo fuera, aunque no lo es—, eso tomaría aproximadamente un tiempo infinito, frente a un algoritmo que puede hacerlo en unos pocos minutos. Y hay un costo en dólares asociado a todo esto. El punto al que vuelvo, y de nuevo, así es como lo entiendo y trato de explicarlo, es que no se trata de ser inteligente o tonto. Simplemente hay externalidades que son invisibles al ojo humano, por definición, invisibles al ojo humano.

Joannes Vermorel: Desafortunadamente, también debemos tener en cuenta el hecho de que la mayoría de los software vendors son completamente incompetentes. Así que, ves, ese es también otro factor. La gente dice, “Oh, ya ves, mi argumento sería, bueno, si 10 personas se sientan y encuentran una solución, si no funciona, entonces, en el siguiente minuto, solo porque, por ejemplo, falta una pieza y demás, recurrirán a una alternativa. Así que explorarán nuevamente soluciones de baja calidad hasta encontrar una que encaje, un poco como una rata recorriendo un laberinto. Está bien, oh, una pared, bien, dirección, otra pared, bien, otra dirección.”

El problema con muchas implementaciones de software es que el software ni siquiera tiene algún tipo de salida de emergencia si te encuentras con un obstáculo. Y así, si te quedas atascado, simplemente te quedas con algo que es absurdo y eso es todo. Así que ves, muchas empresas tuvieron eso. Esa fue parte de lo que, diría yo, fue la promesa de la investigación operativa en los años 50 y demás. Muchas de las esperanzas iniciales no se tradujeron, diría yo, en grandes logros, precisamente porque los software vendors eran algo incompetentes. Y así, las supuestamente soluciones óptimas o, supuestamente, soluciones superiores impulsadas por software resultaron en la práctica estar tan mal implementadas que eran completamente, diría yo, imprácticas.

Pero tenemos que separar un poco si se trataba de un problema que no puede abordarse con computadoras y en el que la mente humana realiza algún tipo de brujería imposible de replicar aún con una computadora, o si este problema simplemente fue abordado por un software vendor completamente incompetente y resultó que la solución que entregaron fue terrible.

Conor Doherty: Pero en ese punto, ¿cómo puede un no especialista —ese es el término, yo soy un no especialista— saber si lo que está escuchando o lo que el vendor le está diciendo es incompetencia o deshonestidad? ¿O cómo puedes verificar cualquiera de estas afirmaciones?

Joannes Vermorel: Ese es un gran problema. Así que aquí, hay otra conferencia para ello. Es investigación de mercado adversarial, pero eso es otra hora de explicación sobre cómo puedes detectar vendors incompetentes.

Conor Doherty: ¿Algún heurístico, alguna regla general que se te ocurra de inmediato?

Joannes Vermorel: Sí, quiero decir, en realidad se da un heurístico aquí, pero es uno que está comprobado. Entonces, recuerda, es una solución sencilla que sorprendentemente y empíricamente funciona bien, mejor de lo que esperarías. Y así, el heurístico dado en la investigación de mercado adversarial es: ¿cómo lo sabes? Cuando tienes un vendor, le preguntas a los competidores de ese vendor qué piensan de él. Y esto es adversarial.

Entonces, si quieres tener una opinión correcta sobre un vendor, no le preguntas al vendor porque él simplemente te va a [ __ ]. Le preguntas a sus competidores qué piensan de este tipo. Y luego haces lo simétrico: le preguntas a todos los vendors qué piensan de los otros vendors. Se llama evaluación adversarial y resultó ser muy, muy robusta. Warren Buffett hizo su fortuna basándose en este principio tan simple. Y la idea era que, si todos están de acuerdo —y Buffett tenía esta pregunta: “Si tuvieras una silver bullet para eliminar mágicamente a uno de tus competidores, ¿a quién sería tu objetivo con tu silver bullet?"—

Y esa era una pregunta muy interesante porque, si todos los competidores terminan designando a la misma empresa, entonces se crea una situación en la que, bueno, esta empresa es obviamente la que amenaza a todas las demás. Y esos vendors son los más conocedores de este sector, por lo que el actor más competente es el que es señalado por todos los competidores. Así que ese es un heurístico; hasta que no pruebas esta investigación de mercado adversarial, no te das cuenta de lo bien que funciona. Y ni siquiera es obvio que funcione en absoluto, pero ha sido probado y funciona maravillosamente, como lo demuestra, entre otros, el éxito de Berkshire Hathaway.

Conor Doherty: Bueno, Joannes, no tengo más preguntas, pero en términos de reflexiones finales, o conclusiones para la gente de hoy, ya que hemos abarcado mucho terreno. Pero en lo que respecta a heurísticas en supply chain, ¿cuál sería tu resumen ejecutivo para la gente?

Joannes Vermorel: Lo que haces son, muy probablemente, sólo recetas numéricas, recetas numéricas arbitrarias. Reserva el término heurístico para algo que sea una joya oculta, algo que sea simple y funcione de manera excelente, pero que cuentes con evidencia empírica de que funciona. No basta con “lo hago y la empresa no se declaró en quiebra, así que funciona.” Eso es un umbral demasiado bajo. Así que reserva ese término.

Si identificas tales recetas que funcionan mucho más allá de lo que se esperaría razonablemente de una receta numérica tan simple, entonces atesora esa receta. Es extremadamente valiosa. Pero, de nuevo, este valor debe estar basado en, diría yo, una evaluación del mundo real expresada en dólares o euros, y no simplemente en tu intuición sobre el valor de esta receta numérica.

Conor Doherty: Bueno, Joannes, muchas gracias. Creo que hemos resuelto ese problema, otro éxito más. Muchas gracias por tu tiempo y muchas gracias por vernos. Nos vemos la próxima vez.