00:00:00 Introducción a la entrevista
00:01:41 La carrera temprana de Ian Wright y la fundación de Logistics Sciences
00:05:33 El concepto de optimalidad en supply chain
00:10:06 Optimización, incertidumbre y perturbaciones reales
00:18:18 Límites de la optimización tradicional e impacto de la pandemia
00:25:27 La respuesta de Lokad y la adaptación de supply chain
00:32:45 Desafíos de los modelos deterministas y compensaciones
00:41:09 Niveles de servicio, modelos financieros y verificaciones de sentido común
00:50:48 Experiencia humana, heurísticas y modelado iterativo
00:58:39 El coste de la intervención humana en supply chain
01:06:24 La estrategia como ingeniería y automatización de decisiones
01:14:06 El modelo descentralizado de Walmart y romper los silos
01:21:39 Los ciclos de retroalimentación y la mejora continua de supply chain
01:29:18 Alcanzar lo óptimo y navegar el bombo de los proveedores
01:35:42 Reflexiones finales sobre las tendencias en tecnología de supply chain
Resumen
En una reciente entrevista en LokadTV, Conor Doherty recibió a Ian Wright, fundador de Logistics Sciences, y a Joannes Vermorel, CEO de Lokad, para discutir la noción de que no existen decisiones óptimas en gestión de supply chain. Desafiaron las visiones tradicionales sobre la eficiencia, resaltando las complejidades e incertidumbres que desafían los ideales de los libros. Ian y Joannes enfatizaron que diferentes participantes tienen definiciones variadas de lo óptimo, y que las soluciones prácticas deben alinearse con la realidad empresarial. Discutieron las limitaciones de los métodos tradicionales de optimización y la importancia del juicio humano en la toma de decisiones. La conversación subrayó la necesidad de modelos que manejen la incertidumbre y se centren en resultados económicos verdaderos.
Resumen Ampliado
En un reciente episodio de LokadTV, Conor Doherty, Director de Comunicación en Lokad, presentó una discusión perspicaz con Ian Wright, fundador de Logistics Sciences, y Joannes Vermorel, CEO y fundador de Lokad. La conversación giró en torno a la idea provocativa de que no existen decisiones óptimas en la gestión de supply chain, un concepto que desafía las visiones tradicionales sobre la eficiencia y la toma de decisiones.
Conor Doherty inició la discusión destacando la creencia generalizada de que las decisiones óptimas son el epítome de la eficiencia, donde los recursos se asignan perfectamente, los costos se minimizan y se maximizan las ganancias. Sin embargo, señaló que tales ideales de libro a menudo se desmoronan frente a las complejidades del mundo real. Ian Wright, con más de 40 años de experiencia en supply chain y logística, compartió su trayectoria desde el ámbito académico hasta la industria petrolera, y eventualmente la fundación de Logistics Sciences. Su carrera se ha caracterizado por centrarse en la resolución de problemas en la logística y la investigación de operaciones, enfatizando la aplicación práctica de la planificación y la ejecución.
Joannes Vermorel coincidió con los sentimientos de Ian, señalando que, aunque las intenciones de la investigación de operaciones tras la Segunda Guerra Mundial eran correctas, el campo ha enfrentado desafíos similares a los de la inteligencia artificial, con periodos de expectativas infladas seguidos de decepción. Señaló que muchos métodos de la investigación de operaciones no lograron proporcionar beneficios accionables para las empresas.
La conversación luego profundizó en el artículo de Ian, “Why There Is No Such Thing as an Optimal Solution in Supply Chain Planning and Logistics Network Optimization.” Ian explicó que distintos interesados tienen definiciones diversas de lo óptimo, lo que a menudo conduce a ideas conflictivas. Los profesionales se enfocan en los aspectos matemáticos, mientras que los líderes empresariales están más preocupados por soluciones prácticas y aplicables. Enfatizó que los modelos y herramientas son solo facetas de una solución más amplia que debe tener sentido para el negocio.
Joannes amplió esto al discutir las limitaciones de los métodos tradicionales de optimización, los cuales a menudo carecen de la capacidad de incorporar la dimensión del tiempo y manejar la incertidumbre. Subrayó la importancia de las mejoras cuantitativas en la optimización empresarial, contrastándola con la perspectiva más estática y matemática de la investigación de operaciones tradicional.
La discusión también abordó el papel de la incertidumbre en la toma de decisiones en supply chain. Ian describió diversas fuentes de incertidumbre, desde variaciones predecibles hasta eventos cisne negro y desconocidos desconocidos. Subrayó la necesidad de modelos que puedan manejar estas incertidumbres y proporcionar soluciones contingentes.
Joannes compartió el enfoque de Lokad durante los confinamientos por COVID-19, en los que gestionaron decisiones de supply chain para clientes cuyos trabajadores de oficina estaban de baja. Al inyectar una dosis masiva de incertidumbre en sus modelos, Lokad pudo tomar decisiones más prudentes, demostrando la efectividad de sus sistemas de optimización.
La conversación luego se desplazó hacia el papel de los trade-offs en la toma de decisiones. Ian enfatizó que los trade-offs a menudo se reducen a consideraciones financieras, equilibrando los costos con los niveles de servicio y otros factores. Joannes argumentó que muchas empresas se concentran en optimizar porcentajes en lugar de resultados económicos verdaderos, lo que conduce a decisiones subóptimas.
Ambos, Ian y Joannes, coincidieron en la importancia de la participación humana en la toma de decisiones estratégicas. Si bien las herramientas de automatización y optimización pueden encargarse de muchas tareas, la intuición y el juicio humano siguen siendo cruciales, especialmente en áreas donde la intervención mecánica es insuficiente.
En conclusión, la entrevista destacó las complejidades y desafíos de la optimización de supply chain, enfatizando la necesidad de soluciones prácticas y aplicables que tengan en cuenta la incertidumbre e involucren el juicio humano. Tanto Ian como Joannes ofrecieron valiosas perspectivas sobre cómo las empresas pueden enfrentar estos desafíos, subrayando la importancia de alinear los modelos con las operaciones reales y concentrarse en resultados económicos verdaderos.
Transcripción Completa
Conor Doherty: Bienvenidos de nuevo a LokadTV. Una decisión óptima suele verse como el pináculo de la eficiencia, una situación en la que los recursos se asignan perfectamente, se reducen los costos y se maximizan los beneficios. Ahora bien, esto suena genial en un libro de texto o en un aula, pero a menudo tales ideas flaquean frente al mundo real. El invitado de hoy, Ian Wright, nos hablará sobre esta misma búsqueda de la optimalidad. Ian es el fundador de Logistics Sciences y cuenta con más de 40 años de experiencia en supply chain.
Como siempre, si te gusta lo que escuchas, por favor suscríbete al canal de YouTube y síguenos en LinkedIn. Y con esto, te presento la conversación de hoy con Ian Wright.
Bien, genial. Bueno, Ian, muchas gracias por acompañarnos. Para las personas que quizás no te conozcan, ya te presenté anteriormente, pero para quien no esté familiarizado con tu trabajo, ¿podrías darnos una breve introducción, por favor?
Ian Wright: Bueno, creo que mencionaste que he estado en el ruedo durante 40 años. En realidad, he estado activo por mucho más tiempo, pero mi trayectoria abarca 40 años. Académicamente, mi formación se remonta a un interés en la economía y la geografía, que uní al estudiar lo que en ese entonces se conocía simplemente como transporte, o transportes en mi tierra. Y básicamente, eso implicaba economía, geografía, negocios, lo que despertó un gran interés en la resolución de problemas, específicamente en lo que hoy se conoce como logística e investigación de operaciones. Luego continué dedicándome a la investigación de operaciones, pero siempre enfocado en problemas de transporte, problemas logísticos, y ahora en lo que todos conocemos como supply chain. Eso fue hace más de 40 años.
Y luego, pasando a tener que ganarme la vida, ingresé en la industria petrolera como management scientist trabajando para Castrol. Casi me lanzaron al agua de inmediato, pues me involucré directamente en algunos proyectos de planificación estratégica de alto nivel. Escribí varios sistemas de mantenimiento preventivo para la distribución de la empresa, y llegué a conocer el software de planificación desde una perspectiva de red y de planificación de flotas. Luego me incorporé a la empresa que proveía esos sistemas, esa empresa que en ese momento consistía en una sola persona, así que éramos dos, y le ayudé a desarrollarla. Después me trasladé a Estados Unidos con un cliente de la empresa y me involucré en GIS y en el uso de GIS para la visualización de lo que hacíamos en la parte de planificación. Esa fue una introducción temprana a lo que hoy prevalece en cuanto a GIS y visualización a principios de los años 80.
De allí, entré en la logística de terceros inicialmente a través de un proyecto de desarrollo de software. Aunque he estado al tanto de 3PL en el Reino Unido a lo largo de mi carrera, en realidad fue a principios de los 90 cuando era algo bastante nuevo en Estados Unidos, y apenas estaban desarrollando la idea de reunir soluciones para venderlas a los clientes. Esas soluciones consistían en determinar dónde ubicar tu almacén, cómo operar tus activos de transporte. Esa fue una gran aplicación de mi experiencia, pero, lo más importante para mí, fue una gran lección de aprendizaje en términos de planificación para la implementación y ejecución, y de no apartarse de ello, siendo parte de la operación de la solución que se había implementado, lo cual creo que es una buena lección para todos los que están involucrados en lo que hacemos.
Eventualmente, dejé de lado la planificación en sí. Formé un par de grupos de soluciones y los dirigí. Luego seguí adelante y asumí cada vez más responsabilidades en las organizaciones para las que trabajé. Pero finalmente, tras haber pasado por un período en la consultoría, que no disfruté demasiado, decidí formar una firma de consultoría, Logistic Sciences. Y si quieres saber qué es Logistic Sciences, básicamente es mi intento de volver a lo que disfruto, que es la resolución de problemas, particularmente centrados en temas de supply chain y logística, y utilizando el limitado conocimiento y herramientas que tengo para ayudar a las personas a resolver problemas en ese ámbito. Así que no sé si eso te ayuda a entender de dónde vengo. No tengo idea de hacia dónde voy, pero…
Conor Doherty: Bueno, gracias, Ian. Y de hecho, Joannes, estoy seguro de que mucho de eso resuena contigo. Quiero decir, la idea de resolver problemas y reconsiderar el problema de la toma de decisiones en supply chain, es algo que resuena fuertemente contigo, ¿no?
Joannes Vermorel: Sí, quiero decir, en términos de intenciones, las intenciones establecidas por la investigación de operaciones después de la Segunda Guerra Mundial fueron muy correctas en el sentido de intentar incorporar esos métodos de gestión en algo que sea numéricamente sólido y mejorable. Eso fue, creo, una de las intenciones que fue correcta y que aún es muy relevante hoy en día. El desafío es que es muy interesante. La gente habla con mucha frecuencia sobre los distintos inviernos por los que pasó la IA, la inteligencia artificial, con esperanzas infladas y luego decepción por el hecho de que no funcionaba. Creo que la investigación de operaciones pasó por fases similares, y ciertas oleadas de métodos que se conocían en ese momento simplemente no lograron traducirse en beneficios accionables para las empresas.
Conor Doherty: Bueno, en realidad, eso se transiciona básicamente al tema de la conversación de hoy, en la que Ian se inspiró al ver tu trabajo en LinkedIn. Publicas muchos artículos. De hecho, tengo uno de ellos aquí frente a mí sobre el que he tomado notas. Espero que la cámara lo capte. Así que lo he leído, todos lo hemos leído. Pero ese artículo fue, y al leerlo, soy el tipo, soy el tipo. Sí, fue gratuito, gracias. Así que, en particular, el artículo que despertó el interés en la conversación, “Why There Is No Such Thing as an Optimal Solution in Supply Chain Planning and Logistics Network Optimization.” Ahora, tiene unas 13 páginas. Para aquellos que no lo hayan leído, un resumen ejecutivo, por favor.
Ian Wright: Básicamente, se trata de transmitir la idea de que diferentes personas tienen distintas concepciones acerca de lo que es lo óptimo. Y, en general, lo que encuentro es que no son ideas opuestas tanto como ideas en conflicto, en el sentido de que la idea de optimalidad del profesional a menudo está mucho más centrada en lo que está haciendo con la herramienta o con la técnica que se está empleando. Y con frecuencia, lo cual vuelve a lo que decía Joannes, se enfoca en las matemáticas, mientras que la persona que es la víctima o receptora de la optimización es el empresario.
Supongo que podemos centrarnos en el sector empresarial y privado, aunque obviamente hay mucho más que se puede hacer en torno a supply chain. Pero el empresario no debería estar preocupado en absoluto por las matemáticas, la metodología, la herramienta o el modelo. Y me concentro, cuando trabajo con mis propios clientes y en proyectos, en asegurarme de que entienden que las herramientas que empleamos, los modelos que construimos, son solo una pequeña faceta para conducirlos a una solución que puedan usar para tomar una decisión e implementar algo. Así que la premisa básica del artículo era transmitir esta idea de que el modelo no es la pieza importante, es la solución. Y hay muchos más componentes, muchas más facetas de una solución que tenga sentido para el negocio.
Conor Doherty: Solo sobre eso, y Joannes, ya iré contigo en un minuto, pero la forma en que planteaste eso, de nuevo, cuando se lo explicas a tus propios clientes, estás intentando, y lo anoté, asegurarte fundamentalmente de que la gente entienda. Y en ese punto, creo que una palabra clave que se debe aclarar inmediatamente es cuando dices optimality, de nuevo, hiciste la distinción entre el practicante y el matemático. A menudo, cierto lenguaje puede significar cosas ligeramente diferentes dependiendo de dónde se utilice. Joannes y yo recientemente realizamos una discusión sobre heurísticas, y de nuevo, una heurística en sentido matemático versus en sentido económico puede ser ligeramente diferente. Así que cuando hablas de perseguir una decisión óptima o presentar optimality, ¿a qué te refieres exactamente, por favor?
Ian Wright: En general, pienso en la optimality no en el sentido de un matemático, porque en mi opinión, esa es una noción maravillosa sobre la cual enfocarse si vives en el mundo de las matemáticas. Pero lo que tenemos que enfrentar es cuál es la mejor solución dadas las circunstancias prevalecientes. Entonces, ¿qué está pasando realmente? ¿Qué sucede en el mundo? Necesitamos averiguar qué ocurre, y luego debemos presentar una solución que manifieste lo mejor que podemos idear en estas circunstancias que alivie o mitigue la mayor parte de los problemas que encontramos. Esa es la solución que buscamos, que queremos presentar.
Conor Doherty: ¿Joannes? Oh, sí, gracias, Ian. Entonces, de nuevo, la idea de ser el mejor disponible no significa ser perfecto en términos absolutos. ¿Algo que quieras añadir al respecto o estás de acuerdo?
Joannes Vermorel: Sí, quiero decir, para retomar la caracterización de la perspectiva de optimización en las matemáticas como algo hermoso, estoy de acuerdo. Es algo extremadamente simple. Puedo resumirlo para la audiencia. Es la idea de que tomas una función que va a puntuar lo que deseas, y luego parte de la entrada de estas funciones son tus variables, lo que puedes decidir, lo que puede variar según tu voluntad. Así que eso constituye la entrada, y luego la función te da la puntuación. Y fundamentalmente, la optimización está buscando esa única combinación de entradas que es la formalización de tu decisión y que extremiza el resultado. Extremiza, como minimizar si estás tratando de disminuir tu costo o maximizar si deseas aumentar los retornos, algo así.
Y lo interesante es que este problema simple viene con una caracterización matemática limpia y ordenada. Luego puedes decir todo tipo de cosas interesantes sobre tus entradas, puedes mencionar todo tipo de aspectos interesantes sobre tu salida, cómo se comporta, y cuáles clases de algoritmos existen para buscar una solución, y si serás capaz, en términos matemáticos, de decir que bajo esos supuestos, tu método es el mejor que puede ser o no, etc. Y, por cierto, este campo de investigación ahora se conoce comúnmente como OR. Solía significar investigación operativa, pero hoy en día es simplemente optimización matemática. Y ni siquiera les importa ya si están hablando de un problema empresarial o no. Su preocupación es el desarrollo de solucionadores, que es una clase de software diseñada para realizar esas optimizaciones en un sentido matemático.
Cuando pensamos en términos de optimización en la matemática, creo que es, diría, la comprensión más cristalina de lo que es la optimización. No significa que, al ser tan cristalina, signifique que sea lo más relevante. Simplemente quiere decir que es la forma más pura, como, ya sabes, una pureza cristalina. No significa que sea la herramienta aplicable para todas las situaciones. Y cuando pensamos en términos de optimización en un contexto empresarial, lo que queremos decir es que queremos mejorar las cosas, pero con un enfoque cuantitativo. Ya ves, esa es la diferencia.
Porque también puedo mejorar un negocio, por ejemplo, teniendo una mejor cultura donde la gente esté más dedicada, pero es casi imposible cuantificar algo de eso. Así que cuando decimos optimización, lo que queremos decir es que buscamos mejorar con instrumentos cuantitativos y, idealmente, con resultados cuantitativos también. Eso sería, ya sabes, en cierta forma, y es entonces cuando, volviendo a lo que diría, la optimización tal como la entiendes, la describiría mayormente como un proceso de mejoras cuantitativas. Esa sería, ya sabes, la perspectiva empresarial de la optimización.
Ian Wright: Creo que, no, estoy totalmente, estoy totalmente de acuerdo con Joannes. Es una de las cosas que tenemos que entender, también relacionada con lo óptimo, que hay dimensiones involucradas en los problemas que estamos analizando, y con bastante frecuencia esas dimensiones se ignoran o se dejan fuera. Y algunas de las más básicas, de hecho, la dimensión quizás más básica es la dimensión del tiempo.
Eso tiene una enorme influencia en lo que puedes hacer con el modelo o la técnica y/o la tecnología, y en lo que tienes que actuar en la operación en el mundo real y lo que eres capaz de hacer en esas circunstancias. Y cambia, cambia la naturaleza de lo que puedes considerar como óptimo.
Conor Doherty: Bueno, en realidad, y de nuevo, esa es una frase perfecta, lo que eres capaz de hacer. Y eso nuevamente transiciona a una discusión de lo que pienso es —y sé que para Joannes es ciertamente un elemento clave de cualquier discusión sobre la optimality o básicamente la toma de decisiones—, la naturaleza de la incertidumbre al intentar tomar esas decisiones.
En tu artículo, hablas acerca de la incertidumbre y la verdadera complejidad que existe en supply chain. ¿Podrías comentar un poco más sobre las fuentes de incertidumbre que realmente influyen en la búsqueda de la optimality, en la forma en que se desee optimizar?
Ian Wright: Hay muchas variantes de incertidumbre y, uh, incluso hasta el punto de que hay variantes que ni puedes saborear porque ni siquiera sabes que existen. Así que está aquello en lo que la mayoría se centra como incertidumbre, que en mi opinión es simplemente un reflejo de la naturaleza dinámica del campo de las operaciones de supply chain. Son simplemente dinámicas, por lo que existe incertidumbre relacionada con esas dinámicas, y eso está abierto al análisis, al análisis cuantitativo y al análisis probabilístico, en el que sé que ustedes están muy concentrados.
Pero luego avanzas más allá de eso hacia ciertas áreas de incertidumbre que se adentran más en el ámbito del riesgo. Así que existen riesgos pequeños y riesgos extremadamente grandes, y eso también se refleja en el hecho de que pasas de un contexto predecible o probabilísticamente predecible hasta el punto en que realmente estás hablando de —creo que mencioné en el artículo— eventos cisne negro. Y simplemente, chico, acabo de perder todo el hilo.
Así que, lo siento, quizá tengas que editar eso, pero avanzas desde, avanzas desde una escala del modelo de mundo pequeño, que es predecible, tiene elementos que puedes predecir a partir de datos que puedes obtener con bastante facilidad. Luego pasas a los eventos cisne negro, los cuales, esencialmente, ya sabes, pueden ocurrir, pero la capacidad de predecirlos es mucho más remota y, de hecho, eventualmente, ciertos eventos cisne negro simplemente no se pueden predecir. Simplemente sabes que pueden suceder. Y luego creo que, de manera incluso más catastrófica, en muchas circunstancias de lo que yo, lo que yo, lo que denomino en el artículo, utilizando prestada una frase, lo desconocido desconocido.
Donald Rumsfeld: bueno, en realidad no era Donald Rumsfeld, fue un tipo antes que él, que robó la idea justo como yo lo hice, pero bueno. Entonces, y luego, luego llegas, eso te lleva a preguntarte, ¿hasta qué punto realmente tenemos que llegar para entender no solo lo desconocido desconocido, que no podemos, no podemos preverlo, incluso los eventos cisne negro no necesariamente podemos preverlos en términos operacionales generales y en la planificación, pero lo predecible que se basa en la probabilidad, sí podemos y debemos preverlo.
Y lo que también diría es que puedes avanzar hacia una dimensión diferente de la operación donde, en realidad, y creo que hablé de esto en la modelización, no solo miras una solución, sino que observas una solución que está compuesta por muchos elementos contingentes a los que puedes cambiar o que pueden cambiarse y ejecutarse según se requiera. Pero el enfoque es mantenerse lo más cercano posible a lo que has denominado óptimo en tu solución preferida.
Conor Doherty: Bueno, en realidad, para respaldar la cita no inspirada por Donald Rumsfeld, pero otras fuentes de incertidumbre que la gente piensa son known knowns serían, como dijiste en el artículo, en una demanda estable y supply chains predecibles. Joannes, ¿estos son known knowns o known unknowns o unknown unknowns?
Joannes Vermorel: Sí, creo que esta tipología es buena, pero de nuevo, si volvemos al instrumento básico que tenemos para realizar esos análisis cuantitativos, si vuelvo nuevamente a las cosas que se han desarrollado como parte de la investigación operativa, la dimensión del tiempo estaba ausente. La primera razón por la que está ausente es, de lo más mundano, porque luego aumentas la dimensionalidad de tus problemas y esos métodos se comportan muy mal cuando intentas lidiar con métodos más complejos. No son muy escalables, al menos no de la manera en que nos referimos a soluciones escalables hoy en día, especialmente si miras a la luz del desarrollo reciente de lo que sucedió, por ejemplo, en el frente de deep learning.
Entonces, el primer problema es que teníamos este problema súper básico de tratar con la escalabilidad, sin dimensión de tiempo. Y luego, una vez que empezamos a considerar la dimensión del tiempo, el futuro no es perfectamente conocido, por lo que tenemos que lidiar con alguna variabilidad. Y aquí eso sería simplemente known unknowns. Ya sabes, es un caso muy leve de incertidumbre. Se espera mucho que los lead times varíen, se espera mucho que la demanda varíe, etc. Así que esos casos son relativamente fáciles.
Y luego estamos entrando en el territorio de lo que se llama optimización estocástica, porque de repente tu decisión podría revelarse como buena o mala dependiendo de las circunstancias futuras que no controlas. Así que existen futuros alternativos donde esta decisión se ve bien, pero ciertamente hay futuros posibles en los que, con el tiempo, se revelará como una decisión pobre. Diría que esos son los problemas muy mundanos que tenemos antes de saltar a los unknown unknowns y a todas esas variedades salvajes de incertidumbres; aún enfrentamos problemas más básicos, y ahí es donde creo que esta idea de facetas es muy interesante.
Simplemente no sabemos realmente cómo deberíamos puntuar nada. No es obvio. Cuando decimos que queremos optimizar las ganancias, hay un número indefinido de maneras de contabilizarlas. ¿Deberíamos incluir los efectos de segundo orden, los efectos de tercer orden? ¿Qué quiero decir con efectos de segundo orden? Das un descuento del 10% ahora, y el cliente espera que la próxima vez que entre a la tienda obtenga un descuento similar nuevamente. Esto es un efecto de segundo orden. Acabas de dar un descuento, pero te costó más porque inspiraste la expectativa. Así que, de nuevo, eso debería puntuarse.
Y luego, si haces eso, tu competidor podría decidir competir agresivamente aún más en precio, o eventualmente podría abandonar por completo la competencia, dejándote solo, o al menos con menos competidores. Así que, ya ves, todo eso son aspectos muy mundanos de lo que exactamente estoy cuantificando. Estos son difíciles. Creo que otra faceta que no se aborda realmente en la literatura clásica de optimización es que se piensa como si los problemas estuvieran bien entendidos desde el inicio.
Conor Doherty: Ian, en tu artículo, mencionaste muchos ejemplos concretos de empresas que han tenido éxito o han fracasado al abordar los tipos de incertidumbre de los que acabamos de hablar, ya sean lead times, patrones de demanda erráticos o lo que sea. ¿Podrías compartir algunos detalles más de estos estudios de caso, por favor?
Ian Wright: Sí, muchos de los proyectos en los que trabajo son más estratégicos. Algunos son tácticos. Generalmente, ya no trabajo realmente en el ámbito de la planificación para la ejecución. Así que la mayoría de los ejemplos que se me ocurren en este sentido se relacionan con empresas que no planifican de manera táctica o estratégica al no abordar estos problemas en torno a la predictibilidad o la falta de predictibilidad.
Recientemente, en los últimos tres años, hubo un evento, un año antes de eso, que creo que nadie diría que había predicho. Ciertamente, creo que ningún sistema de planificación en ninguna empresa podría haber concebido e incorporado elementos de planificación que tuvieran en cuenta el impacto de la pandemia y lo que sucedió con los stocks y las implicaciones de la reducción de inventarios, la disminución repentina de la demanda, y así sucesivamente. Tantas implicaciones ampliamente distribuidas. El ejemplo clásico es el de los semiconductores.
Mi experiencia fue doble, ya que tantas empresas que salieron de la pandemia en la manufactura de alimentos —y no solo en productos farmacéuticos, sino también en dispositivos médicos, en el sector logístico de la salud en su conjunto— se dieron cuenta de repente de que tenían que planificar para algo que no habían anticipado. Estaban trabajando contra sus sistemas internos intrínsecos que gestionan el negocio y que administran su supply chain, porque esos sistemas ya no les proporcionaban datos capaces de servir de base para construir modelos que permitieran entender qué debían hacer a continuación.
Así que trabajé en muchos proyectos para fabricantes de alimentos que intentaban ponerse al día con la inmensa explosión en la demanda en lugares donde no contaban con capacidad, y necesitaban entender muy rápidamente dónde debía ubicarse esa capacidad y por qué debería ubicarse allí. Había tantos problemas fundamentales al tratar de resolver cómo se hace eso, porque era muy parecido a decir: ¿cómo construyes un supply chain para un producto que no existe hoy? ¿Cómo planificas para eso? Y luego, la noción completa de cómo ejecutar a continuación es la siguiente etapa.
Conor Doherty: Ian, esa es una buena transición entonces a Joannes. Quiero decir, este es muy tu ámbito, ejecutar soluciones para situaciones repletas de incertidumbre. ¿Algún ejemplo de éxitos o fracasos con empresas cuando se trata de los tipos de incertidumbre que estamos discutiendo?
Joannes Vermorel: Sí, creo que, ya sabes, si volvemos al año de los confinamientos, 2020, 2021, lo interesante es que Lokad tuvo, diría, muy buenos éxitos operativos, pero creo que precisamente porque estábamos haciendo optimización.
Déjame describir lo que la mayoría de las compañías están haciendo hoy en día a través, esencialmente, de un océano de hojas de cálculo. No están optimizando nada, ni en el sentido matemático ni en la forma que acabamos de describir. Lo que están haciendo esencialmente es reproducir en gran medida lo que ya se ha hecho antes. Básicamente están reconociendo patrones de sus propias decisiones previas. Ni siquiera están realmente siguiendo la demanda o algo por el estilo; simplemente están reproduciendo en gran medida lo que han hecho antes, lo que significa que el presupuesto se divide y distribuye prácticamente de la misma manera que se hizo el año pasado, que las existencias de seguridad se ajustan mínimamente en comparación con lo hecho el año pasado, etc. Entonces, todo se hace de manera incremental frente al status quo. No hay optimización en marcha. Simplemente estamos reflejando el status quo, guiándolo un poco pero no de manera cuantitativa, sino ligeramente en la dirección que parece apropiada.
Funciona en cierto modo, pero ese es el punto: no existe un proceso de optimización en marcha, lo que significa que si cambias ampliamente tus condiciones operativas, no cuentas con ningún mecanismo que refleje esas nuevas condiciones. Permíteme repetir, todas tus hojas de cálculo, todos tus procesos establecidos están diseñados para replicar lo que has hecho antes. En contraste, en Lokad, contábamos con sistemas de optimización. ¿Qué ocurrió cuando enfrentamos situaciones sin precedentes? Básicamente, inyectamos manualmente una dosis masiva de incertidumbre en nuestros modelos.
No sabíamos qué sucedería. Simplemente decíamos: “Está bien, la demanda es normalmente lo que llamamos el efecto escopeta.” Ves que el futuro de la demanda se presenta así, ya sabes, con posibilidades. Pues bien, si tienes una situación como los confinamientos, simplemente aumentas el ángulo de la escopeta de modo que el futuro se vuelve muy difuso. Lo mismo ocurre con tus retrasos, lo mismo con tus precios. Simplemente asumes que de repente sabes mucho menos sobre el futuro. Pero puedes hacer eso, y si asumes que de repente sabes mucho menos, puedes volver a ejecutar tu lógica de optimización, esa es la optimización estocástica, para obtener decisiones que sean más prudentes respecto al riesgo que tienes.
De alguna manera, tomas en cuenta levemente lo peor que puede suceder en términos de retrasos, precios, demanda, etc., y haces tus decisiones mucho más conservadoras respecto a esos riesgos que se han disparado cuantitativamente. Mi conclusión es que funciona. Realmente funciona muy bien, pero el problema es tener más optimización, no menos. Aunque no se trata de la típica perspectiva estática de la investigación operativa, es una optimización en la que nada se mueve.
La segunda cosa, es una faceta adicional que creo que casi nunca se discutió durante la era de la investigación operativa, probablemente de 1950 a 1980, esos 30 años, y era la calidad de tu instrumentación. ¿Qué tan rápido puedes pasar de una instancia de tu modelización a la siguiente? Eso es algo realmente práctico a nivel operativo.
Ian Wright: Creo que también hubo cuestiones prácticas relacionadas con eso, porque la tecnología no era suficiente. Había una falta de datos ya que la tecnología relacionada con eso no era suficiente. Pero ciertamente, la tecnología para permitir una ejecución más rápida de la planificación simplemente no estaba. Te puedo decir eso por haber observado modelos de optimización ejecutarse durante 24 horas, a diferencia de hoy, donde cuando trabajo con chicos, pienso: “Bueno, no ha terminado, ya han pasado cinco minutos, ¿qué debo hacer?” Así que, no quiero interrumpirte, Joannes, pero creo que gran parte de eso se debió a que hoy tenemos una tecnología mucho mejor.
Joannes Vermorel: Estoy completamente de acuerdo, y eso es una preocupación aparte, pero son preocupaciones realmente prácticas. Si tienes una tecnología de optimización pero volver a ejecutar toma 24 horas y necesitas 20 iteraciones para converger a algo que sea relativamente satisfactorio con respecto al nuevo estado de tu supply chain, nunca va a suceder. La gente simplemente recurre a las hojas de cálculo. Simplemente no hay tiempo para pasar por todos esos obstáculos. Regresas a tus hojas de cálculo que pueden no ofrecerte este tipo de optimización, pero al menos te darán una respuesta en un plazo razonable.
Creo que también fue el tipo de cosa en la que Lokad se desempeñó bien en ese período. Teníamos optimización, pero contábamos con herramientas de optimización que eran lo suficientemente ágiles como para poder ser probadas repetidamente, docenas de veces al día, hasta que teníamos algo que realmente funcionaba. De lo contrario, nuestros clientes simplemente se habrían rendido con el tipo de servicios que Lokad ofrecía en ese momento.
Ian Wright: Interesante, porque siempre he tenido problemas con lo que llamo la optimización instantánea. En particular, la planificación de supply chain y los modelos de red siempre han sido programación entera de instantáneas. Los solucionadores son todas instantáneas, y todo este asunto del tiempo, siempre he tenido dificultades con cómo podríamos aprovechar los beneficios de enfoques de tipo simulación que nos permitan incorporar la dimensión del tiempo de una manera un poco mejor y cómo podemos, de alguna manera, fusionar un enfoque.
Por ejemplo, hay una compañía en Rusia, una compañía de simulación, que ideó combinar la optimización. Pensé que era genial en ese momento. Desafortunadamente, no estoy muy familiarizado con su implementación de la parte de optimización, porque son una compañía de simulación. El tema del tiempo es una cosa. El otro asunto, creo, en la determinación de una solución con probabilidad también involucra una cuestión tecnológica que hoy estamos más en capacidad de enfrentar. Involucra la cantidad de datos, el alcance de los datos que puedes incorporar al derivar la solución.
Mucha cosa está fuera del ámbito de la corporación o la compañía o la división para la que estás optimizando y no se tiene en cuenta cuando tienes un nuevo producto o cuando ingresas a un mundo completamente nuevo tras una pandemia. Lo único de lo que puedes depender, muy a menudo, son datos que no tienen nada que ver con la historia de tus operaciones previas. Tienes que recurrir a un alcance mucho más amplio de datos, de modo que cuando estableces probabilidades, por ejemplo, necesitas incorporar variables exógenas además de todas las variables tradicionales relacionadas con la actividad que intentas continuar.
Joannes Vermorel: Conceptualmente, sí, aunque estoy ligeramente en desacuerdo en este punto. El asunto es que los datos que van más allá de los datos transaccionales son muy costosos para las compañías. Adquirir datos sobre inteligencia competitiva está bastante bien, eso no es demasiado costoso, pero si vas más allá, simplemente raspando los precios de tus competidores, se vuelve muy rápidamente muy complicado.
Nuestro enfoque es que, usualmente, primero, necesitas tener modelos donde mires tus datos de una manera que sea más informativa. Un ejemplo de eso sería el lanzamiento de un nuevo producto, no tienes ningún historial de ventas, así que la perspectiva tradicional de series de tiempo dice que no tienes nada. Pero si abandonas la perspectiva de series de tiempo y adoptas una visión alternativa, podrías ver que los lanzamientos de tus productos tienen un patrón de éxito o fracaso y que los éxitos que puedes esperar se comportan de acuerdo con alguna distribución, y lo mismo con los fracasos. Así que sí, puedes usar tus datos históricos para decir cosas sobre el producto.
De nuevo, porque en tus lanzamientos, si un estudio desconocido lanza una película, las probabilidades de que ese estudio desconocido produzca una película que recaude 1 billón en salas de cine son súper bajas. Pero si es Disney o Warner Brothers, entonces las probabilidades son quizá de algo así como un 5%.
Entonces, primero, utilizando los datos transaccionales que las compañías poseen, usualmente se puede saber mucho más de lo que la gente piensa, debido a que están arraigadas en la perspectiva de series de tiempo. Hay otras maneras.
La segunda cosa es que, si admites que simplemente no sabes, recuerda que las personas que van a tomar esas decisiones como humanos tampoco tienen una fuente secreta de información. No existe una bola de cristal dentro del cerebro humano que te permita vislumbrar el futuro o algo por el estilo, especialmente cuando hablamos de supply chains en las que tenemos decenas de miles de productos que solo conoces por el hecho de que existen. Muchas personas que serían Supply Chain Scientist ni siquiera sabrían exactamente qué es lo que su compañía está vendiendo o produciendo.
Entonces, volviendo a eso, diría que, primero, tenemos nuestros datos transaccionales que pueden explotarse de más maneras de las que aparentan tan pronto como abandones la perspectiva de series de tiempo. Pero luego también tienes el hecho de que esta información extra es muy difícil de obtener. Así que, quizá, lo que deberíamos aceptar en su lugar es tener mucha incertidumbre.
Las herramientas tradicionales ni siquiera aceptan enfrentarse a la incertidumbre. Cuando digo herramientas tradicionales, me refiero a todos los solucionadores que ofrecen optimización matemática en el mercado. Todos los solucionadores que conozco y que están establecidos son simplemente solucionadores deterministas; no pueden lidiar con la incertidumbre. Acabamos de recibir en este canal a un pionero que está tratando de establecer su prototipo de optimizador estocástico InsightOpt, Meinolf Sellmann, quien tenía sus instrumentos Seeker. Pero ese es realmente uno de su clase, y es prácticamente el único que conozco que está tratando de perseguir esto desde una perspectiva comercial.
Así que, volviendo al caso en cuestión, mi opinión es que si no tienes ningún instrumento para enfrentar la incertidumbre de ninguna forma, la idea de que simplemente te enfrentarás a esta situación inflando la incertidumbre y dejándola así, ni siquiera es concebible. Pero si tienes esos instrumentos, entonces se convierte en lo más natural. Intentas algo sin precedentes, la incertidumbre se dispara, y tu optimizador simplemente te permite actuar en consecuencia.
Ian Wright: Creo que donde, de alguna manera, estamos perdiendo la alineación aquí es porque hay una diferencia en el enfoque entre nosotros cuando se planifica estratégicamente y cuando se planifica, particularmente conforme te acercas a la ejecución, donde las opciones disminuyen drásticamente. Yo vengo de un ámbito de planificación predominantemente estratégico. Cuando dices, por ejemplo, que gran parte de estos datos de alcance adicional para un nuevo producto son costosos, puede ser, pero hay muchísimos tipos diferentes de datos que puedes emplear en la modelización antes de llegar a la optimización.
Puedes modelar la correlación entre muchos aspectos exógenos diferentes de datos económicos y datos demográficos relacionados con el tipo de producto y el mercado al que deseas ofrecer ese producto. De ahí es de donde vengo, Joannes, cuando hablo de agregar más elementos de datos. Me refiero a analizar la correlación con lo que son datos razonablemente accesibles, generalmente relacionados con la demografía y la penetración de mercado.
Otro aspecto de esto, que creo es, en última instancia, lo que siempre deberíamos considerar como proveedores de tecnología y profesionales en este campo, es que los negocios son, en última instancia, acerca de las finanzas. Un elemento importante de lo que debemos hacer en la planificación es reducirlo a costo y minimización de costos, dependiendo de las circunstancias. Los datos de costos, a mi parecer, han sido empleados de manera inadecuada en, por ejemplo, modelos de red para la optimización de supply chain. La gente ha estado dispuesta a aceptar suposiciones en torno al costo al incorporarlos en modelos, en lugar de salir y realmente encontrar expectativas mucho más concretas en torno al costo, lo cual es muy factible. Creo que eso es simplemente algo que, con la tecnología que ahora tenemos, está mucho más maduro para enfocarse y comprender mejor lo que podemos hacer en torno a incorporar datos para entender más el alcance del contexto en el que estamos trabajando.
Conor Doherty: Es un punto perfecto para avanzar un poco, porque una vez que tienes todos los datos, eventualmente tienes que llegar a una decisión. Algo de lo que hablas en el artículo también es el papel de los compromisos en la toma de esas decisiones. Una vez que tienes tu modelo y todos los datos, todavía se te presentan una serie de decisiones, a menudo simplemente la opcionalidad de decidir. ¿Cómo encajan los compromisos en la búsqueda de la decisión óptima?
Ian Wright: Haré un punto rápidamente. Nunca tienes todos los datos. Tienes los datos que tienes, obviamente, pero siempre son defectuosos. Así que tienes que trabajar con lo que tienes. Soy un cínico de corazón, ya se nota, ¿verdad? En lo que respecta a los compromisos, están los evidentes en supply chain. Tu compromiso es básicamente financiero. ¿Quiero gastar el dinero para proporcionar el servicio y el producto que mi cliente desea? Quiero ofrecer el producto de la manera en que el cliente quiere que lo proporcione, y eso significa que tengo que gastar dinero para hacerlo. ¿Hasta qué punto estoy dispuesto a seguir ese camino?
El compromiso es, por ejemplo, entre inventario y costo de transporte, como algo básico. Pero hay compromisos relacionados con cuántas contingencias implemento para mitigar el riesgo. ¿Cuántos caminos operativos potenciales creo para mi negocio para poder ejecutar un plan probabilístico que resulte en algo que no sea mi camino normal de ejecución? Un compromiso es: ¿me fijo en las implicaciones a corto plazo en torno a los modelos que persigo y los planes que implemento, o me involucro a largo plazo, lo que a menudo puede significar un compromiso financiero porque estoy invirtiendo ahora para algo que no ocurrirá hasta un período posterior?
Para mí, los compromisos son una especie de eufemismo de que tengo que acertar con el dinero. ¿Cómo equilibro todas esas cosas? No estoy seguro de estar respondiendo tu pregunta, Conor, pero se reduce a qué estoy dispuesto a balancear en mi modelo, dado que sé que tengo limitaciones en la forma en que puedo definir su alcance. ¿Qué estoy dispuesto a balancear para obtener ese signo de dólar o ese signo de euro en el lugar correcto?
Conor Doherty: Gracias, Ian. Y Joannes, ahora me dirigiré a ti porque, de nuevo, básicamente te estoy preparando para algo de lo que sé que te gusta hablar. Señalé que, en esencia, lo que las personas tratan de optimizar explícitamente, corrígeme si me equivoco, es en realidad el costo o las finanzas. Pero la cuestión es que, muchas veces, cuando hablamos de la toma de decisiones en supply chain, las personas o compañías están tratando de optimizar cosas como los niveles de servicio. Creo que ya has mencionado antes que lo que la gente piensa que está optimizando es el costo, pero en realidad eso es solo un artefacto numérico. Entonces, la pregunta, si pudieras comentar al respecto, es: cuando las personas se centran en esos objetivos tradicionales en supply chain, ¿están en realidad optimizando el costo o están mirando en la dirección equivocada?
Joannes Vermorel: Así que, si observamos las prácticas dominantes del supply chain en la actualidad, en las presentaciones de PowerPoint dirían que se centran en lo económicamente viable. En la práctica, no lo hacen. Es como si se tratara de porcentajes en todo en términos de niveles de servicio, retornos de inventario y demás. Esas cosas están débilmente correlacionadas con tu línea de fondo, pero solo de manera débil.
Suponer que su rentabilidad está correlacionada de alguna forma con sus niveles de servicio es simplemente una locura. No funciona. Es una visión muy simplista. Lo primero sería afirmar que las prácticas dominantes son, de hecho, que las personas saben intuitivamente que no pueden convencer a nadie si dicen que quieren optimizar porcentajes. Así que en las diapositivas, dirán que optimizamos esos dólares, pero en la práctica, en sus sistemas de software, tienen reglas que de ninguna manera están alineadas con esas modelaciones en dólares. Diría que solo las que he visto en terreno, dejando a un lado Lokad, tenían perspectivas estrictamente no financieras, no económicas.
Ahora, si llegamos a una perspectiva económica en la que empezamos a tener esos dólares, estoy completamente de acuerdo en cuanto a que es muy difícil acertar. Es difícil, y de hecho, se cuentan muchas historias de horror con frecuencia en películas de Hollywood donde el encargado de finanzas es el villano que está haciendo un pensamiento a corto plazo increíblemente estúpido a expensas de algo que estaría un poco más allá en el futuro.
La perspectiva financiera tiene mala fama, y de hecho, el tipo de enfoque que la investigación de operaciones enfatizó hace 40 años era una visión muy simplista. Realmente se orientaban a un número muy reducido de variables básicas: costos—costo de stock, costo de esto, costo de aquello—y ¡bam, listo, trabajo terminado, dejemos que la magia opere con la solución óptima que surgirá del modelo.
En Lokad, notamos eso y nos dimos cuenta de que teníamos un problema real, que es cómo llegar al conocimiento de si nuestra función de puntuación, nuestra función de puntuación económica, la que está contando los dólares, está ofreciendo una versión aproximada de la verdad que sea lo suficientemente buena. Es una pregunta muy difícil, y lo que descubrimos fue una metodología documentada en mi serie de conferencias de supply chain llamada optimización experimental.
La forma de saber que tu modelo económico es correcto es cuando genera decisiones sensatas. Es muy extraño. Al final, la gente pensaba que necesitabas tener la métrica de puntuación correcta para que te entregara las decisiones óptimas. Lo que hacemos es prácticamente lo opuesto. Generamos las decisiones, y luego, de esas decisiones generadas que han sido extremizadas según esta métrica, observamos si son sensatas o no.
Cuando vemos decisiones obviamente disfuncionales que son francamente insensatas, muy frecuentemente volvemos a la modelación económica y nos damos cuenta de que algo está mal, algo que pasamos por alto. Así que tenemos este proceso muy iterativo en el que seleccionamos nuestros dólares, optimizamos, obtenemos decisiones, algunas de ellas son insensatas, revisamos la forma en que contamos los dólares, y repetimos el proceso.
Con muchas iteraciones, finalmente convergimos en algo en lo que nadie tiene más dudas. Eso es lo que llamamos el principio de cero insensatez. Queremos llegar a una configuración donde el sistema no genere ninguna línea que sea obviamente francamente insensata desde el primer momento. Ese es, en realidad, el punto que en Lokad creemos que es necesario antes de pasar a producción.
Pero verás, el punto es que invertimos completamente el tipo de enfoque que tenía la investigación de operaciones. En lugar de decir que la función de puntuación es algo dado, es algo que vamos a descubrir a través de un proceso incremental. Es muy extraño porque eso va en contra, al menos para los franceses, de esta perspectiva cartesiana de pensamiento ascendente y de aplicar principios y simplemente desplegarlos. Es un proceso mucho más empírico.
Ian Wright: Tengo que confesar, y me disculpo por esto, pero tengo que confesar mi relativa ignorancia sobre Lokad. Pero me intriga mucho tu definición de sensatez en el contexto del que estás hablando. ¿Qué constituye una decisión sensata?
Joannes Vermorel: Ian, para dar un ejemplo que di en mi serie de conferencias de supply chain, comenzaré con una analogía y luego volveremos al supply chain. Existen clases de problemas en los que, si quieres resolver el problema general, es increíblemente difícil, pero las instancias particulares son muy fáciles.
Un ejemplo de ello sería, digamos que te doy una película para que la veas y te digo que se trata de un gladiador romano o algo así, y te pido que señales si hay cosas que están completamente fuera de contexto con respecto al período histórico, como un avión en el fondo. Hay una película famosa en la que están peleando en la arena y hay un avión en el cielo al fondo.
Si te pido que encuentres un algoritmo general que me indique todas las cosas que pueden salir mal en una película y que no reflejen la época o el período, es una tarea completamente desalentadora. Necesitarías una enciclopedia de todas las cosas que no se inventaron, incluso los términos, el ambiente, la actitud, el tipo de pensamiento. Es simplemente un problema increíblemente complicado. Pero en la práctica, si pones a un becario a ver la cinta, te dirá, “Oh, aquí hay un avión, es malo.” No puedo darte la lista de todas las cosas que son malas, pero sí puedo detectar este trozo de insensatez.
Los sistemas de supply chain son muy parecidos a eso. Es muy difícil darte una regla general para establecer exactamente qué cuenta como insensato o no. Ese es un problema de inteligencia general, no algo que se pueda condensar en un algoritmo simple. Pero resulta que la gente, en realidad, es bastante buena para detectar esos problemas.
Un ejemplo sería, tienes una serie de faltante de stock en tus datos históricos, que no se han tenido en cuenta adecuadamente, y de repente tu estimación de la demanda futura cae a cero porque tuviste faltante de stock, por lo que no vendiste, y tu modelo, estúpidamente, forecast cero. Luego acabas sugiriendo cero reabastecimiento como una buena política. Dice, “¿Cuál es tu nivel de stock objetivo? Cero, porque observamos muy poca demanda, así que mantengámoslo en cero.”
Si empiezas a pensar en eso, sí, mi forecast va a ser 100% exacto porque estoy forecast cero, estoy reabasteciendo cero, y todo está bien. Pero no, no está bien. Este problema se llama un congelamiento de inventario. Esto es un trozo de insensatez, y tienes muchas situaciones como esa donde, al mirar las decisiones, puedes identificar cosas que son disfuncionales, donde los números son implausiblemente altos o bajos, o cosas que simplemente no tienen sentido.
Un ejemplo que tuvimos históricamente en Lokad, para uno de nuestros primeros clientes de aviación, fue cuando empezamos a analizar el reabastecimiento de inventario y sugerimos comprar algunas piezas. El cliente nos respondió y dijo, “Oh no, no vamos a comprar esas piezas. Esas piezas se usarán en un Boeing 747, y dentro de 10 años ya no habrá Boeing 747 volando sobre Europa. Esas piezas tienen una vida útil de cuatro décadas, así que si las compramos ahora, solo las usaremos durante 10 años, y luego esas aeronaves habrán desaparecido.”
Eso fue algo obvio en lo que olvidamos tener en cuenta el hecho de que la utilidad de una pieza no puede exceder la vida útil del avión al que sirve. Este es el tipo de situación en la que, dependiendo de los sectores, la realidad te ofrece una corriente interminable de cosas que te caen de frente como manifestaciones de esas insensateces. Aunque no puedo darte una regla general o un algoritmo para detectar eso, en la práctica funciona muy bien porque la gente puede identificar esas situaciones.
Ian Wright: Ahora estamos violentamente en la misma página, curiosamente, porque sé que queremos discutir algunos temas que se avecinan. Mi premisa principal en mi carrera, en términos de haber trabajado con toda esta tecnología y de introducir tecnología en la empresa de la víctima, siempre ha sido que no se puede excluir lo humano. Tienes que tener en cuenta y utilizar al ser humano en el proceso de desplegar y usar la tecnología.
Porque en este momento, y para mi futuro previsible, no tenemos tecnología que pueda reemplazar muchos de los aspectos humanos de los que estás hablando, en términos de reconocimiento de lo absurdo, por ejemplo, o reconocimiento de lo insensato. Simplemente aún no existe. La única forma en que llegará a existir es incorporando de alguna manera aspectos humanos en el proceso. Hoy, simplemente no es factible.
Joannes Vermorel: Sí, estoy de acuerdo contigo. Hay dos ángulos a los que me gustaría responder respecto a tus comentarios. Primero, a veces las decisiones insensatas solo se pueden identificar como tales después de que han ocurrido. Tienes que cometer el error para darte cuenta de que algo inesperado sucedió y fue malo. Pero más que lo humano, la información tiene que regresar desde el mundo. Necesitas retroalimentación del mundo real para obtener esta información. Por lo tanto, se trata de una cuestión de inteligencia a alto nivel. Incluso si tuviéramos una inteligencia artificial tan inteligente como un humano, hay límites. Hasta cierto punto, la única forma de conocer el mundo es dándote cierto margen para experimentar. Ese sería el primer ángulo.
El segundo tiene que ver con el papel de las personas. La forma en que mis colegas han diseñado sistemas es que usan a los humanos como coprocesadores. Tu sistema genera decisiones, números, asignaciones de recursos, etcétera. Luego tienes todas esas líneas que son insensatas, y esperas contar con un ejército de empleados administrativos que intervengan manualmente para arreglar todo eso. Para el público, todos los sistemas que tienen alertas y excepciones hacen justamente eso. Las alertas y excepciones son solo otra manera de decir que tenemos coprocesadores humanos que van a procesar lo que mi sistema no procesa.
Mi problema con eso es que las personas son bastante costosas. Ese es el costo. Así que, tal como lo veo, no es un muy buen uso de su tiempo, porque vas a tener a esos coprocesadores humanos pasando interminablemente por las mismas tonterías de las mismas alertas y excepciones.
Por eso en Lokad, lo vemos de una manera completamente diferente. Decimos que cada vez que se detecta una tontería, como una alerta o una excepción, alguien en Lokad, el Supply Chain Scientist, debe intervenir y ajustar la implementación de lo que sea que esté haciendo la optimización predictiva para corregirlo y evitar que este problema vuelva a ocurrir. Sin excepciones. Cada trozo de tontería que se aborda es evaluado. ¿Es realmente una tontería o una optimización muy inteligente? Si verdaderamente es tontería, entonces la lógica de optimización en sí debe ser corregida. No quieres que el mismo empleado reporte el mismo problema al día siguiente.
Ian Wright: Creo que seguimos en la misma página, ciertamente en el mismo capítulo. Vengo más desde una perspectiva estratégica y táctica, donde no me preocupa salir y ver una sala llena de gente de Big Brother en pantallas de computadora corrigiendo cosas. Estoy hablando de lo necesario en el despliegue de operaciones en un sentido estratégico o táctico. Significa involucrar al stakeholder experimentado para mantener la sensatez en la dirección que estás tomando y en las soluciones que estás impulsando.
Cuando se trata de toda la idea de dónde creo que estás enmarcando tu argumento, Joannes, a medida que avanzamos con el tipo de tecnología que estás desarrollando y que has desarrollado, y con el movimiento general hacia una mayor capacidad en términos de IA, la capacidad de un sistema para autocorregirse en un contexto de gestión de eventos se volverá más factible. Nos alejaremos de la costosa sala de operadores humanos de computadoras. Pero no es hoy, así que tienes que trabajar dentro de las limitaciones de las capacidades que tienes en ese momento.
Conor Doherty: Si se me permite, es solo porque parece, Ian, que estabas comentando más sobre el rol de lo humano en el sentido estratégico, y Joannes, pareces estar comentando más sobre la toma de decisiones en el día a día mundano. ¿Son estas magisteria no superpuestas?
Joannes Vermorel: Eso es porque, verás, mi perspectiva, y quizás sea un poco extraña, es que si vamos al ámbito de la consideración estratégica, entonces tu enfoque en operar una supply chain debería centrarse en cómo diseñar la maquinaria que genere las decisiones adecuadas. La gente piensa que hay decisiones estratégicas, decisiones tácticas y lo que sea. Mi punto de vista es que tienes decisiones que son repetibles. Algunas se repiten cada día, otras cada hora, otras cada mes, y otras una vez al año. Cuando se trata de mecanización, quieres mecanizar todo lo que se repite razonablemente con suficiente frecuencia. Te encargas de las otras de forma completamente ad-hoc.
La estrategia, si empiezas a pensar en este enfoque, no se trata tanto de decidir algo en un cierto nivel y luego dejar que otras capas de tu organización hagan lo suyo en otros ámbitos. Es más como si la visión estratégica consistiera en determinar qué hago para que, a partir de la cultura de ingeniería de mi empresa, surjan procesos mecanizados de toma de decisiones que realmente mejoren mi resultado final. Esa es una forma completamente diferente de pensar la estrategia.
Ian Wright: Completamente de acuerdo contigo. La forma en que lo he visto a menudo es como el rol del arquitecto en diseñar el concepto de un edificio, y luego se lo entrega al ingeniero que dice cómo se va a ensamblar, y luego a la construcción que realmente lo ensambla, y después a las personas que trabajan en el edificio y lo mantienen. En todos esos niveles, el arquitecto no debería estar poniendo en marcha algo que no pueda ser diseñado, construido o mantenido. Esa es mi analogía a alto nivel del proceso en el que estamos involucrados.
En supply chain, sin embargo, es un poco diferente porque podrías crear una estrategia hoy, pero tienes que hacer lo mismo el próximo año. El problema con el supply chain es que es dinámico y adaptable. Tenemos que responder al mundo cambiante y a sus necesidades. Repites tu proceso estratégico, pero tienes que hacerlo de una manera factible, pragmática y que te permita implementar una solución operativa.
Joannes Vermorel: Para darte una perspectiva, durante los confinamientos en 2020 y 2021, tuvimos una serie de clientes, más de una docena, en los que sus trabajadores de cuello blanco se ausentaron durante 14 meses. Lokad se quedó solo tomando todas las decisiones de supply chain para empresas en las que la plantilla de trabajadores de cuello azul seguía operando. La plantilla de cuello blanco estaba de vacaciones gubernamentales, subsidiada. Les pagaban, pero los gobiernos europeos también estaban imponiendo que la gente no trabajara desde casa, de lo contrario, no recibirían el pago de los subsidios gubernamentales. Así que, efectivamente, estaban de permiso.
Gestionamos para una docena de clientes un inventario valorado en más de mil millones de euros operado completamente durante 14 meses. Eso representó más de mil empleados en total. Y eso realmente plantea la cuestión de qué están entregando esos supuestamente procesos estratégicos de supply chain.
Cuando miro la mayoría de las reuniones de S&OP, se sostendrán discusiones extensas para decidir cuánto presupuesto asignamos para compras en varios departamentos. Todo eso se puede reemplazar por una fórmula. Si no estamos de acuerdo con una fórmula porque arroja resultados absurdos, entonces la corregimos. Pero no necesitamos reunirnos con 12 directores y con todos los gastos para llegar a este cálculo presupuestario. Se puede automatizar.
En términos de estrategia, la pregunta sería, ¿cómo me aseguro de que la ingeniería que se aplica en esta fórmula que asigna mis recursos de nivel superior se realice de una manera alineada con los intereses de mi empresa? Ese es un problema muy interesante y sí, esto debería captar el interés de la dirección que quiere pensar estratégicamente. La idea de seleccionar a dedo unas pocas decisiones y decir, “Voy a involucrarme en eso”, realmente no añade mucho valor.
En muchas empresas, lo que ocurre en esas supuestas reuniones estratégicas es que se desperdicia mucho tiempo. Sí, se generan decisiones, pero con una productividad absolutamente abismal. Creo que tuvimos a un invitado anterior hablando sobre S&OP, y me dijo que usualmente terminaban tomando como cuatro decisiones por hora.
Conor Doherty: Ese fue Eric Wilson, sí, en un proceso de S&OP.
Joannes Vermorel: Sí, y yo estaba pensando, vale, tenemos cientos de miles de decisiones por tomar, y ahora llevamos un ritmo de cuatro decisiones por hora. Es obvio que cuando tienes este tipo de situación, las operaciones siempre van a estar muy por delante de tus planes.
Para cuando tomas tus decisiones, ya están completamente obsoletas, y la gente ha hecho otra cosa porque no podían esperar tanto por esas decisiones. Terminamos en esta especie de situación en la que parece más una farsa. La gente toma decisiones estratégicas sobre asuntos que ya sucedieron, como hace dos años.
Conor Doherty: Bueno, eso me interesa. Solo para prepararte para lo que sigue, porque sé que en el artículo hablaste sobre una toma de decisiones de supply chain más descentralizada, y diste el ejemplo de Walmart.
Tú puedes describirlo mejor que yo.
Ian Wright: Hacer eso de forma correcta y efectiva significa que descentralizas la decisión, pero esa descentralización y la toma de decisiones aún se efectúan en un contexto que ha sido diseñado de manera eficaz y apropiada. Así, no te alejas demasiado de la estrategia central corporativa. Es casi como una escalera mecánica de estrategia hacia las operaciones.
En ese caso, estamos hablando de la descentralización de lo que yo llamaría decisiones más tácticas. Pero todo vuelve a Joannes. No estoy en desacuerdo contigo en absoluto. De lo que hablamos es de que las personas no solo trabajan en silos dentro de las organizaciones, sino que también planifican y funcionan en silos. Los de supply chain se van a elaborar su plan estratégico de supply chain, luego piensan en el plan de transporte y después en el plan de almacén.
Todos estos planes son interdependientes y, desafortunadamente, a menudo se ejecutan de manera independiente. Básicamente, no podemos desarrollar una solución estratégica óptima de supply chain a menos que incorporemos un plan de red, un plan de transporte y un plan de inventario en un modelo operativo.
La situación de Lokad operando sin la gente de oficina en el edificio es para mí un gran ejemplo de tener un modelo operativo que significa que puedes sostener las operaciones y no alejarte demasiado del plan que creías necesario para operar hace seis meses a pesar de las disrupciones. Han reunido a las personas adecuadas, los procesos correctos y cuentan con la tecnología y los programas necesarios para apoyar esa ejecución.
Realmente sostengo que, más que enfocarnos en lograr la optimalidad perfecta, lo importante es poder ejecutar un plan y mantenerlo tan fielmente como sea posible. Puedes tener un plan óptimo, pero necesitas poder ejecutarlo y sostenerlo de la manera más precisa posible. Sin ese modelo operativo, yendo más allá de lo tradicional de personas, procesos y tecnología, lo necesitas en funcionamiento. Ese es realmente tu plan corporativo estratégico, y luego todos estos otros planes estratégicos alrededor de supply chain deben operar dentro del contexto de ese. Si no alineas el modelo operativo que tienes con los planes que estás desarrollando, entonces eso va a ser una receta para el desastre.
Conor Doherty: Ian, si puedo resumirlo en una cita, dijiste antes que no se pueden excluir a los humanos. Entonces, Joannes, ¿estás de acuerdo en que no se puede excluir al ser humano, particularmente en la toma de decisiones estratégicas de la que habla Ian? ¿Es eso algo que se podría incorporar en un marco automatizado que ya has aplicado a la gestión mundana del negocio diario?
Joannes Vermorel: En cuanto a si tenemos inteligencia artificial general, no la tenemos. Estamos acercándonos, de forma positiva. Los LLMs exhiben destellos de inteligencia general, pero solo destellos. Así que diría que en Lokad, en este momento, ciertamente no podemos afirmar que disponemos de un software tan sofisticado que pueda prescindir de la mente humana. De hecho, en el núcleo de nuestra práctica, tenemos a los llamados Supply Chain Scientists, que son ingenieros programando las recetas numéricas. Eso es algo muy humano que aún no estamos delegando a las máquinas.
Aunque los algoritmos pueden ayudar a codificar más rápido con autocompletar y demás, la verdadera pregunta es: cuando se tiene inteligencia humana, ¿se le asigna una tarea que realmente aporte valor por ser inteligencia general en lugar de ser simplemente un reconocedor de patrones o algo que se pueda mecanizar?
Mi contraargumento sería que muchas empresas, especialmente aquellas que operan supply chains, no están haciendo un muy buen uso de sus trabajadores de oficina. Todavía están prácticamente mentalizadas en tener hordas de empleados corporativos que siguen un proceso, y el cumplimiento de ese proceso es su objetivo.
Veo que muchas de esas empresas que operan supply chains tratan a la mayoría de sus trabajadores de oficina exactamente como tratan a sus trabajadores de planta. Existe un proceso, y la adherencia a ese proceso se define como excelencia.
Para los trabajadores de planta, eso es claro, es lo que se desea. Pero si entramos en el territorio de los trabajadores de oficina, eso se vuelve muy extraño porque la información es varias órdenes de magnitud más fácil de mecanizar que el mundo real.
Manejar cosas físicas, por ejemplo, si quieres tener un robot que pueda soldar en todas las situaciones, eso es extremadamente difícil. Simplemente mover una mano, sostener una herramienta, soportar algo pesado y estar en un ambiente con polvo o contaminantes, estamos hablando de una robótica extremadamente avanzada solo para poder hacer algo que alguien podría lograr con unos pocos meses de entrenamiento.
Ahora, si entramos en este mundo de la información, ya sabes, en teoría, las limitaciones no son ni de cerca tan exigentes. Podemos mover gigabytes de datos sin problema. Las personas que desempeñan esos trabajos de oficina ya están trabajando con sistemas informáticos. Toda la información que reciben es a través de una computadora, y toda la información que producen ya se ingresa en una computadora. Así que, tenemos un marco que ya es completamente digital.
Lo que estoy diciendo es que las empresas están usando a la mayoría de sus trabajadores de oficina como coprocesadores. Tienen lo que el procesador de la computadora puede hacer con el software que tenemos, y luego simplemente hay alguien en medio para llenar los vacíos. Pero, ¿realmente estamos aprovechando la inteligencia de esas personas? Mi argumento es que no. Si se trata de una cuestión de importancia estratégica, es para asegurarse de que todos los trabajadores de oficina contribuyan en aspectos en los que solo la inteligencia general puede aportar. Si es algo en lo que no se necesita inteligencia general, entonces debería mecanizarse.
Ian Wright: Estoy de acuerdo. Tu enfoque en el método mecanicista es lo que define lo que es automatización y para lo que se necesita al ser humano. El momento en que el ser humano realmente aporta valor, y como dices, Joannes, probablemente no se despliegue correctamente, es en las áreas intuitivas donde no se puede aportar de forma mecanicista. Por ejemplo, considerando que un avión quedará obsoleto en 10 años, ¿por qué haríamos esto? Es algo que no se puede construir de manera mecanicista.
Donde se necesita al ser humano es donde debe proporcionar un aporte orgánico a un problema o situación, ya sea en la gestión de eventos o en la gestión operativa de supply chain. Se pueden tener mecanismos diagnósticos relativamente fácilmente. Un área que aún está madura para trabajar es el empleo de bucles de retroalimentación que ayuden a generar soluciones proactivas dentro de un contexto mecanicista. Esto incluye la acumulación de información de una mayor variedad de orígenes de datos en esa gestión operativa mecanicista proactiva. Pero no se puede superar el lado intuitivo de las cosas. Hay un aspecto emergente en lo que un ser humano aporta a un contexto en el que intenta observar un problema o, lo que es más importante, anticipar uno.
Joannes Vermorel: Estoy totalmente de acuerdo. Aquí, culparía a la perspectiva de series de tiempo. La práctica predominante en supply chains hoy en día gira en torno a las series de tiempo. Pero si miras a las empresas que son muy buenas en lo que hacen, son muy hábiles para hacer algo inteligente con la retroalimentación que reciben, como Amazon. Amazon utiliza de forma muy inteligente la retroalimentación de sus clientes para resolver la mayoría de sus problemas de supply chain y logística de manera sistemática.
Si a un repartidor se le marca de forma rutinaria por perder paquetes, Amazon dejará de utilizar a ese proveedor y optará por otro. Si un proveedor causa problemas, lo despedirán. Hacen un uso razonable de los datos de retroalimentación que recogen. Necesitan humanos para imaginar qué tipo de retroalimentación se puede recolectar y ingenieros para elaborar las recetas numéricas que deciden cuándo despedir a un proveedor o notificar a un proveedor logístico.
Probablemente hagan una optimización inteligente, como notar que un transportista es confiable bajo ciertas condiciones pero no en otras, y utilizar a ese transportista solo en esos escenarios. Esto requiere una visión sobre qué datos son relevantes, no solo series de tiempo sobre la demanda. Requiere una mentalidad de ingeniería para proporcionar soluciones profundas a los problemas, no solo para apagar incendios. La mayoría de las empresas pasan de una emergencia a otra, consumiendo todo su ancho de banda e impidiendo la mejora. Amazon, por otro lado, desarrolla soluciones profundas para cualquier situación que enfrentan, eliminando clases de problemas y avanzando hacia la siguiente.
Ian Wright: Desafortunadamente, eso vuelve a las finanzas. Si cuentas con los bolsillos profundos para tener el tipo de proceso de pensamiento al que aludes, eso es una cosa. Pero la mayoría de los gerentes de supply chain no trabajan en un entorno en el que dispongan de abundante efectivo para abordar los problemas de esa manera. Están en una constante carrera, apagando incendios, y en un círculo vicioso.
Si tienes la oportunidad, como profesional, de trabajar en un proyecto estratégico, no pongas el modelo en primer lugar. Entiende el mundo del gerente de supply chain tal como existe hoy, luego piensa como si fueras Amazon y descubre cómo podría funcionar ese mundo de supply chain para que no estén en constante carrera. Desafortunadamente, la mayoría de los gerentes de supply chain abordan los proyectos estratégicos de la misma manera que su trabajo diario, que es solo otro incendio por apagar. La gente de ambos lados no lo aborda correctamente, pero podría hacerse de forma diferente pensando de manera distinta sobre el rol.
Conor Doherty: Señores, soy consciente del tiempo, así que quiero volver a ti, Ian, y preguntar sobre la optimalidad práctica. Como medio para guiarnos hacia una conclusión, ¿cuáles son los pasos prácticos que las personas pueden tomar en la búsqueda de la optimalidad?
Ian Wright: Nuevamente, lo abordo desde el extremo estratégico, no siendo el tipo en la planta tratando de llevar el producto a manos del cliente. Lo que debes hacer al considerar la optimalidad es pensar en ella desde la perspectiva de cómo se llevará a cabo realmente esa ejecución. Asegúrate de enfocarte en presentar una solución viable y operativa, una que se ajuste a la forma en que la empresa opera hoy.
Si tienes la capacidad y la libertad, desarrolla una solución que logre la optimalidad en un contexto que pueda ejecutarse de manera óptima. Entiende los verdaderos objetivos de los stakeholders, los verdaderos objetivos de los patrocinadores y los verdaderos objetivos de la empresa, no solo sus objetivos observados o proclamados. En la medida en que estén dispuestos a escuchar, intenta producir una solución en esa línea. En todo momento, asegúrate de trabajar con humanos, no solo con el modelo.
Conor Doherty: Gracias. Joannes, ¿algo que agregar a eso?
Joannes Vermorel: No, creo que es un buen punto. Desde la perspectiva de un proveedor de software, diría que cuando se trata de la optimalidad, no se debe confiar demasiado en los proveedores. Sí, obviamente, excepto en nosotros. En particular, ten en cuenta que hay clases de software, como los sistemas de registros y los sistemas de reportes, que no se ocupan de decisiones y, por lo tanto, no pueden ocuparse de la optimización en absoluto.
Los sistemas de registros, como ERP, CRM, WMS, y los sistemas de reportes, como business intelligence, se anuncian frecuentemente como generadores de decisiones optimizadas. Por diseño, estas clases de software ni siquiera abordan el problema. No optimizan en primer lugar. Así que, mi mensaje sería: no intentes encontrar tu camino hacia la optimalidad en tu próxima actualización de ERP. Por definición, un ERP es un sistema de registros. No se ocupa de decisiones y le importa aún menos si esas decisiones pueden ser óptimas de alguna forma.
Conor Doherty: Me aseguraré de incluir ese artículo tan bonito—bueno, un artículo corto, según lo que quise decir allí. En él, hablas de sistemas de registros, sistemas de reportes y sistemas de inteligencia. Pero es costumbre aquí darle la última palabra al invitado. Así que, si hay algo más que quieras mencionar o algo que no dijimos, puedes cerrar sin interrupciones.
Ian Wright: Sí, me gusta eso. Desde la perspectiva de un proveedor de software, no confíes en los proveedores de software. Realmente me gusta eso porque, durante más de 40 años, una de las cosas que me ha molestado es hasta qué punto he sido testigo del bombo en torno a la tecnología. El bombo en toda la idea de una supply chain, durante mucho tiempo, en mi opinión, es un tipo de bombo. Y de hecho, he escrito sobre esto, Conor, lo cual no te sorprenderá. Pero creo que lo que tenemos que hacer es simplemente aprender a vivir en un mundo donde sepas cómo abrirte camino a través del bombo, atravesar la maleza y entender lo que realmente funciona. Esa es la clave—lo que es real.
Conor Doherty: Bueno, en ese sentido, diré que no tengo más preguntas. Joannes, gracias por tu tiempo. Ian, muchas gracias por unirte a nosotros.
Ian Wright: Gracias, chicos. Fue un privilegio que me invitaran, y realmente espero aprender más sobre Lokad y si estoy loco o no. Esa es la clave.
Joannes Vermorel: Sí, una de las claves. Te enviaremos un diagnóstico.
Conor Doherty: Gracias, y gracias por ver. Nos vemos la próxima vez.
